CN117011304A - 缺陷检测方法、装置、计算机设备及计算机可读存储介质 - Google Patents
缺陷检测方法、装置、计算机设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN117011304A CN117011304A CN202311287490.3A CN202311287490A CN117011304A CN 117011304 A CN117011304 A CN 117011304A CN 202311287490 A CN202311287490 A CN 202311287490A CN 117011304 A CN117011304 A CN 117011304A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- detection
- detection result
- standard
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 433
- 230000007547 defect Effects 0.000 title claims abstract description 173
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000009826 distribution Methods 0.000 claims abstract description 99
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 238000005315 distribution function Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 20
- 238000004590 computer program Methods 0.000 claims description 23
- 230000002950 deficient Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000009499 grossing Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 5
- 239000003086 colorant Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000000306 component Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 150000003071 polychlorinated biphenyls Chemical class 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241001268993 Heterochrosis Species 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000005476 soldering 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10024—Color 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30141—Printed circuit board [PCB]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本申请涉及一种缺陷检测方法、装置、计算机设备及计算机可读存储介质。方法包括:基于获取的目标检测图像中各像素点的颜色值确定待检测区域并构建待检测区域的待处理分布直方图;基于预设分解算法计算待处理分布直方图对应的标准分布直方图,拟合出标准分布直方图的目标分布函数并从中确定目标参考数据;将待检测区域划分得多个目标检测块,基于计算得的各目标检测块的颜色平均值与目标参考数据的比对确定第一检测结果;基于获取的目标检测图像对应的标准图像的第一纹理特征和目标检测图像的第二纹理特征的比对确定第二检测结果;基于第一检测结果和第二检测结果确定目标检测图像的缺陷检测结果。采用本申请能提高对PCB缺陷检测的准确性。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种缺陷检测方法、装置、计算机设备及计算机可读存储介质。
背景技术
随着电子产品的不断发展,PCB产品作为电子设备的核心组件,其质量和可靠性成为电子设备制造过程中的重要关注点。在制造PCB的过程中,可能会由于多种原因造成制造的PCB存在缺陷,比如印刷不良、焊接问题等缺陷异色问题。然而,目前的缺陷检测技术无法在多特征维度考虑的基础上,对多种不同类型的缺陷异色进行检测,从而导致对PCB缺陷检测的准确性较低。
发明内容
基于此,有必要针对上述技术问题,提供一种缺陷检测方法、装置、计算机设备、计算机可读存储介质以及计算机程序产品,能够实现提高对PCB缺陷检测的准确性。
第一方面,本申请提供了一种缺陷检测方法,包括:
基于获取的目标检测图像中各像素点对应的颜色值确定待检测区域;
基于待检测区域中各像素点对应的颜色值,构建待检测区域对应的待处理分布直方图;基于预设分解算法,计算待处理分布直方图对应的标准分布直方图;拟合出标准分布直方图对应的目标分布函数,从目标分布函数中确定目标参考数据;
将待检测区域进行划分,得到多个目标检测块;计算各目标检测块对应的颜色平均值,基于各目标检测块对应的颜色平均值与目标参考数据的比对结果确定第一检测结果;
获取目标检测图像对应的标准图像;确定标准图像对应的第一纹理特征和目标检测图像对应的第二纹理特征,基于第一纹理特征和第二纹理特征的比对结果确定第二检测结果;
基于第一检测结果和第二检测结果,确定目标检测图像的缺陷检测结果。
第二方面,本申请提供了一种缺陷检测装置,包括:
确定模块,用于基于获取的目标检测图像中各像素点对应的颜色值确定待检测区域;
计算模块,用于基于待检测区域中各像素点对应的颜色值,构建待检测区域对应的待处理分布直方图;基于预设分解算法,计算待处理分布直方图对应的标准分布直方图;拟合出标准分布直方图对应的目标分布函数,从目标分布函数中确定目标参考数据;
第一检测模块,用于将待检测区域进行划分,得到多个目标检测块;计算各目标检测块对应的颜色平均值,基于各目标检测块对应的颜色平均值与目标参考数据的比对结果确定第一检测结果;
第二检测模块,用于获取目标检测图像对应的标准图像;确定标准图像对应的第一纹理特征和目标检测图像对应的第二纹理特征,基于第一纹理特征和第二纹理特征的比对结果确定第二检测结果;
结果模块,用于基于第一检测结果和第二检测结果,确定目标检测图像的缺陷检测结果。
第三方面,本申请提供了一种计算机设备,计算机设备包括存储器和处理器,存储器存储有计算机程序,处理器执行该计算机程序时实现上述的方法中的步骤。
第四方面,本申请提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述的方法中的步骤。
第五方面,本申请提供了一种计算机程序产品,计算机程序产品包括计算机程序,该计算机程序被处理器执行时实现本上述的方法中的步骤。
上述缺陷检测方法、装置、计算机设备、计算机可读存储介质及计算机程序产品,通过基于获取的目标检测图像中各像素点对应的颜色值确定待检测区域,在此步骤中可以直接根据各像素点的颜色值将颜色值异常凸显的部分排除,从而得到后续进一步检测的待检测区域;再基于待检测区域中各像素点对应的颜色值,构建待检测区域对应的待处理分布直方图;一般为了消除直方图中噪声数据的影响,会在构建待处理分布直方图时进行平滑处理的预操作,从而使得到的待处理分布直方图中的数据更加有效;基于预设分解算法,计算待处理分布直方图对应的标准分布直方图,并拟合出标准分布直方图对应的目标分布函数,从目标分布函数中确定目标参考数据,为了在更细致维度上检测存在的缺陷,以进一步检测出更多小维度上的缺陷类型,可以根据预设分解算法对待处理分布直方图进行分解,并基于预设分解算法逆向推算出标准分布直方图,从而将标准分布直方图与待处理分布直方图比对,又进一步判断出更多类型的缺陷,且从目标分布函数中确定目标参考数据,为后续进一步提高缺陷检测的准确性和稳定性做数据准备;计算将检测区域划分得到的多个目标检测块中的各目标检测块对应的颜色平均值,基于各目标检测块对应的颜色平均值与目标参考数据的比对结果确定第一检测结果,确定与目标检测图像对应的标准图像的第一纹理特征和目标检测图像的第二纹理特征,基于两个纹理特征的比对结果确定第二检测结果,基于两个检测结果,确定目标检测图像对应的缺陷检测结果,在直接基于颜色值判断缺陷以及进一步分解检测缺陷的基础上,根据标准情况对应的目标参考数据与各目标检测块对应的颜色平均值比对以及目标检测图像与标准图像对应的纹理特征比对的双重维度考虑,对PCB对应的目标检测图像再进行检测,层层递进,层层关联,实现了多维特征考虑下对多种缺陷类型进行检测的操作,使得对缺陷的检测更有针对性,从而提高了对PCB缺陷检测的准确性。
附图说明
图1为本申请实施例提供的一种缺陷检测方法的应用环境图;
图2为本申请实施例提供的一种缺陷检测方法的流程示意图;
图3为本申请实施例提供的一种缺陷检测装置的结构框图;
图4为本申请实施例提供的一种计算机设备的内部结构图;
图5为本申请实施例提供的另一种计算机设备的内部结构图;
图6为本申请实施例提供的一种计算机可读存储介质的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的缺陷检测方法,可以应用于如图1所示的应用环境中。其中,终端102通过通信网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备及便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
如图2所示,本申请实施例提供了一种缺陷检测方法,以该方法应用于图1中的服务器104为例进行说明。可以理解的是,计算机设备可以包括终端和服务器中的至少一种。该方法包括以下步骤:
S200、基于获取的目标检测图像中各像素点对应的颜色值确定待检测区域。
其中,目标检测图像指具体检测的图像,可以是检测的PCB板(Printed CircuitBoard,印刷电路板)对应的某个区域的图像。待检测区域指将做更细致维度的缺陷检测的区域,其在颜色值的异常判断上不明显。颜色值指像素点在RGB颜色模式中的色值,其有三个颜色通道,分别为R(Red,红)、G(Green,绿)和B(Blue,蓝)。
具体地,目标检测图像是从产品对应的完整检测图像中确定指定位置区域对应的图像,比如检测PCB板的缺陷时,是从PCB板对应的完整图像中找出需要检测的区域,并将该区域对应的图像作为目标检测图像。目标检测图像中各像素点均有其对应的颜色值,颜色值对应有三个类型的颜色通道,通过经验积累,可以知道不同类型的颜色通道对应的值在对应的范围外时,则为明显的存在异色缺陷。在根据颜色值直接判断是否存在颜色缺陷之前,为了避免某些数据噪声和某些不必要细节对判断结果的影响,可以先对目标检测图像进行平滑处理,从而提高目标检测图像数据信息的有效性。在直接根据各像素点对应的颜色值判断是否存在异色缺陷时,可以使用直接阈值法,可以分别获取各类型颜色通道对应的预设标准范围,将目标检测图像中各像素点对应的各颜色通道的值与对应颜色通道对应的预设标准范围进行比对,当至少存在一个像素点包括的任一类型颜色通道的值不在相应的预设标准范围时,则认为是存在缺陷,且将存在颜色通道对应的值不在相应的预设标准范围的像素点标注为0;将各颜色通道对应的值都在相应的预设标准范围的像素点标注为1,可以通过掩膜操作,将标注为1的像素点组合成的区域作为待检测区域,以便在排除简单辨别的缺陷后做进一步地检测,减少了检测算力的同时,进一步提高缺陷检测的效率和准确性。
S202、基于待检测区域中各像素点对应的颜色值,构建待检测区域对应的待处理分布直方图;基于预设分解算法,计算待处理分布直方图对应的标准分布直方图;拟合出标准分布直方图对应的目标分布函数,从目标分布函数中确定目标参考数据。
其中,颜色值有三个类型的颜色通道,对于不同类型的颜色通道对应有不同的待处理分布直方图。预设分解算法指用于分解目标待测区域对应的颜色分布直方图,并根据分解结果求出目标待测区域对应的理想情况下各像素点对应的颜色值都属于正常情况时对应的分布直方图的算法;其可以是小波分解算法。标准分布直方图指各像素点对应的颜色值都处于正常情况时对应的分布直方图。目标分布函数可以是高斯分布函数。目标参考数据指用于作为参考并衡量检测区域是否存在异色缺陷的数据,其可以是高斯分布函数中的平均值和标准差。
具体地,为后续做进一步的缺陷检测操作,可以基于待检测区域中各像素点对应的各类颜色通道对应的值,构建各类颜色通道对应的待处理分布直方图,且为了消除噪声对后续检测结果的影响,可以分别对各待处理分布直方图进行平滑处理,将进行平滑处理后各类颜色通道对应的待分布直方图作为后续步骤的数据基础。此外,在进行颜色筛选确定待检测区域后,得到的待检测区域仍可能有较小维度的缺陷或者受复杂背景、光照变化等因素的影响而无法更深入的确定是否存在异色缺陷,可以根据预设分解算法分别对各类颜色通道对应的待处理分布直方图进行分解,得到各类颜色通道对应的多个子分布直方图,分别从各类颜色通道对应的多个子分布直方图中确定最符合期望条件的子分布直方图,从而得到各类颜色通道对应的最优子分布直方图,根据各类颜色通道对应的最优子分布直方图基于预设分解算法逆向求出各类颜色通道对应的标准分布直方图,其中最符合期望条件可以是同类型颜色通道中的子分布直方图对应的峰值最大的为最优子分布直方图。由于此时的标准分布直方图还只是由很多点构成的直方图,还可以将各类颜色通道对应的标准分布直方图进行拟合,从而得到各类颜色通道对应的目标分布函数,并从各类颜色通道对应的目标分布函数中获取各类颜色通道对应的目标参考数据,比如目标分布函数可以是高斯分布函数,从高斯分布函数中获取u(平均值)和σ(标准差)作为应用于后续步骤的目标参考数据。
进一步地,还可以将各类颜色通道对应的待处理分布直方图与各类颜色通道对应的标准分布直方图进行比对,并计算各类颜色通道对应的待处理分布直方图与各类颜色通道对应的标准分布直方图不重合部分的面积,当至少存在一类颜色通道对应的待处理分布直方图和标准分布直方图不重合部分的面积大于预设面积阈值时,认为存在检测类型的缺陷;当各类颜色通道对应的待处理分布直方图和标准分布直方图不重合部分的面积都小于或等于预设面积阈值,认为不存在检测类型的缺陷。
S204、将待检测区域进行划分,得到多个目标检测块;计算各目标检测块对应的颜色平均值,基于各目标检测块对应的颜色平均值与目标参考数据的比对结果确定第一检测结果。
其中,目标检测块指划分后的图像块,可以是根据n×n的形式对待检测区域进行划分。颜色平均值指目标检测块中各像素对应的颜色值的平均数,其包含的是各类颜色通道对应的值的平均数。第一检测结果指根据颜色平均值和目标参考数据进行比对判断是否存在缺陷的检测结果。
具体地,为了能充分考虑全局和局部的情况,以保障检测结果的准确,可以将待检测区域划分成n×n形式的多个目标检测块,并分别计算各目标检测块中各类颜色通道对应的颜色平均值,将各类颜色通道对应的颜色平均值与相应颜色通道的目标参考数据进行比对,目标参考数据可以包括待检测区域理想情况时对应的分布情况下,各像素点的各类颜色通道对应的参考平均值和参考标准差,根据各类型颜色通道对应的参考平均值和参考标准差计算出各类型通道相应的参考标准范围,判断各类颜色通道对应的颜色平均值是否在相应的参考标准范围,若存在任一类颜色通道对应的颜色平均值不在相应的参考标准范围,则认为对应的目标检测块存在异色缺陷,第一检测结果则为存在缺陷;若每一个目标检测块中各像素点对应的各类颜色通道的颜色平均值都在相应的参考标准范围,则说明待检测区域不存在更深入与更细致维度下考虑的异色缺陷,第一检测结果则为不存在缺陷。
S206、获取目标检测图像对应的标准图像;确定标准图像对应的第一纹理特征和目标检测图像对应的第二纹理特征,基于第一纹理特征和第二纹理特征的比对结果确定第二检测结果。
其中,标准图像指标准样品拍摄下的图像中对应的指定检测区域的图像,可以是拍摄标准的PCB时对应的图像中所要检测的区域对应的图像。纹理特征包含有纹理特征值。第二检测结果指根据标准图像对应的纹理特征和目标检测图像的纹理特征进行比对判断是否存在缺陷的检测结果。
具体地,图像的纹理特征可以较好地反映图像的特性,可以将标准产品对应的标准图像的纹理特征作为参考依据,在根据颜色平均值和目标参考数据进行比对的基础上,进一步卡控检测,从而确保缺陷检测结果的准确性和稳定性。可以基于特征提取算法,包括但不限于信息熵算法,分别提取标准图像对应的第一纹理特征和目标检测图像对应的第二纹理特征,并逐步地在标准图像和目标检测图像对应相同的参考位置对应的第一纹理特征值和第二纹理特征进行比对,若每次比对的相同参考位置对应的第一纹理特征值和第二纹理特征值之间的差值在预设的范围内,则认为第二检测结果为不存在缺陷;若存在一次比对的相同参考位置对应的第一纹理特征值和第二纹理特征值之间的差值在预设范围外,则认为第二检测结果为存在缺陷。
S208、基于第一检测结果和第二检测结果,确定目标检测图像的缺陷检测结果。
具体地,为了使得最终判断的目标检测图像是否存在缺陷结果的准确性,可以将多特征维度进行综合考虑,从而从多维度进行检测卡控,若多维度考虑下的检测都未检测出缺陷,则认为缺陷检测结果为不存在缺陷;若多维度考虑下的检测存在任一种方式检测出缺陷,则认为缺陷检测结果为存在缺陷,且可以根据检测方式确定出缺陷大致的类型,进而做出相应的补救方案。
上述缺陷检测方法中,基于获取的目标检测图像中各像素点对应的颜色值确定待检测区域,在此步骤中可以直接根据各像素点的颜色值将颜色值异常凸显的部分排除,从而得到后续进一步检测的待检测区域;再基于待检测区域中各像素点对应的颜色值,构建待检测区域对应的待处理分布直方图;一般为了消除直方图中噪声数据的影响,会在构建待处理分布直方图时进行平滑处理的预操作,从而使得到的待处理分布直方图中的数据更加有效;基于预设分解算法,计算待处理分布直方图对应的标准直方图,并拟合出标准直方图对应的目标分布函数,从目标分布函数中确定目标参考数据,为了在更小维度上检测存在的缺陷,以进一步检测出更多小维度上的缺陷类型,可以根据预设分解算法对待处理分布直方图进行分解,并从分解得到的小直方图基于预设分解算法映射出标准分布直方图,从而将标准分布直方图与待处理分布直方图比对,又进一步判断出更多类型的缺陷,且从目标分布函数中确定目标参考数据,为后续进一步提高缺陷检测的准确性和稳定性上做数据准备;计算将检测区域划分得到的多个目标检测块中的各目标检测块对应的颜色平均值,基于各目标检测块对应的颜色平均值与目标参考数据的比对结果确定第一检测结果,确定与目标检测图像对应的标准图像的第一纹理特征和目标检测图像的第二纹理特征,基于两个纹理特征的比对结果确定第二检测结果,基于两个检测结果,确定目标检测图像对应的缺陷检测结果,在直接基于颜色值判断缺陷以及进一步分解检测缺陷的基础上,根据标准情况对应的目标参考数据与各小块目标检测块对应的颜色平均值比对以及目标检测图像与其对应的问题特征比对的双重维度考虑,对PCB对应的目标检测图像再进行检测,层层递进,实现了多维特征考虑下对多种缺陷类型进行检测的操作,使得对缺陷的检测更有针对性,从而提高了对PCB缺陷检测的准确性。
在一些实施例中,颜色值包括多个类型颜色通道对应的值,S200包括:
S300、分别获取各类型颜色通道对应的预设标准范围。
S302、将获取的目标检测图像中各类型颜色通道对应的值均在相应的预设标准范围内的像素点所形成的区域作为待检测区域。
其中,预设标准范围指预先设定的各类颜色通道的值属于正常情况时对应的范围,可以是根据实际经验积累进行设计。
具体地,每个类型的颜色通道都有对应的预设标准范围,若存在一个像素点对应的各颜色通道的值中存在一个颜色通道的值在对应的预设标准范围外,则可直接判定该像素点存在异色缺陷,需要再对其进行进一步的检测;若像素点对应的各颜色通道的值都在对应的预设标准范围内,则说明该像素点不存在明显的异色缺陷。为了进一步对基于预设标准范围来判定不存在异色缺陷的区域进行检测,以提高对缺陷检测的准确性,可以将目标检测图像中各像素点对应的颜色值中各类型颜色通道对应的值都在对应的预设标准范围之内的区域作为待检测区域,为后续做更深入地检测做数据准备。
可见,在本实施例中,通过预先设置各类型颜色通道对应的预设标准范围,并将获取的目标检测图像中各类型颜色通道对应的值都在相应的预设标准范围内的像素点所形成的区域作为待检测区域,为后续做进一步地检测筛选出了更细维度方面的检测数据,避免了后续不必要的检测操作,减少了后续步骤做进一步检测的压力,从而在一定程度上提高了后续检测缺陷的效率以及准确性。
在一些实施例中,该方法还包括:
若目标检测图像中存在一个像素点对应的颜色值包括的任一类型颜色通道的值不在相应的预设标准范围内,则将存在缺陷作为目标检测图像的第三检测结果。
其中,第三检测结果指直接根据像素点对应的颜色值的各类型颜色通道的值,与相应的预设标准范围进行比较来判定是否存在异色缺陷的结果。
具体地,像素点各类型颜色通道都有对应的预设标准范围,各类型颜色通道相应的预设标准范围都是可以根据经验积累设置的,可明显判定出是否存在异色缺陷的范围,因此可以根据直接阈值法,直接将目标检测图像中各像素点对应的各类型颜色通道的值,与各类型颜色通道相应的预设标准范围进行比对,当至少存在一个像素点对应的颜色值包括的任一类型颜色通道的值不在相应的预设标准范围内时,可直接将存在缺陷作为目标检测图像的第三检测结果。对于像素点对应的各类型颜色通道的值都在相应的预设标准范围内的区域,还需做进一步地检测,其可能还包含其他不明显的缺陷,因此当目标检测图像中各像素点对应的各类型颜色通道的值都在预设标准范围内时,不直接认定目标检测图像的第三检测结果是不存在缺陷的,是否存在缺陷可以在后续步骤做进一步检测后再确定。
在一些实施例中,该方法还包括:
计算标准分布直方图与待处理分布直方图之间的不重合部分,在目标检测图像中的区域面积,若区域面积大于预设面积阈值,则将存在缺陷作为目标检测图像的第四检测结果。
其中,预设面积阈值指用于衡量是否存在缺陷的面积临界值。
具体地,各类型颜色通道都有对应的待处理分布直方图和标准分布直方图,标准分布直方图是理想情况对应的分布,即没有异色缺陷的情况下对应的各类型颜色通道对应的颜色分布直方图,将理想情况下对应的各类型颜色通道对应的标准分布直方图分别与相同类型颜色通道对应的待处理分布直方图进行比较,当存在任一类型颜色通道对应的待处理分布直方图和标准分布直方图不重合部分的面积大于预设面积阈值时,可判定第四检测结果为存在缺陷,为避免仍存在当前检测方式不可检测出的其他类型异色缺陷,可以在后续做进一步的双特征卡控检测,从而进一步提高检测缺陷的准确性。
在一些实施例中,目标参考数据包括参考平均值和参考标准差,S204包括:
S400、根据参考平均值、参考标准差与预设倍数,确定参考标准范围。
S402、若存在目标检测块对应的颜色平均值在参考标准范围外,则将存在缺陷作为第一检测结果。
其中,预设倍数可用于限定参考标准范围的上下限值。参考平均值指在不存在异色缺陷情况下对应的像素点的各类型颜色通道的平均值,即每个类型的颜色通道都有对应的参考平均值。参考标准差指在不存在异色缺陷情况下对应的像素点的各类型颜色通道的标准差,每个类型的颜色通道都有对应的参考标准差,其可用于衡量各像素点的各类型颜色通道对应的值与对应的参考平均值的远近。参考标准范围指用于目标检测块是否存在缺陷的范围。
具体地,各类型颜色通道都有对应的目标分布函数,目标分布函数属于高斯分布函数,可以从各类型颜色通道对应的目标分布函数中获取各类型通道对应的目标参考数据,可以根据各类型颜色通道对应的目标参考数据中的参考平均值和参考标准差,以及预设倍数,计算各类型颜色通道相应的参考标准范围,比如预设倍数为n,某一颜色通道R对应的参考平均值为u1与参考标准差为σ1,另一颜色通道G对应的参考平均值为u2与参考标准差为σ2,则颜色通道R相应的参考标准范围为[u1-n*σ1,u1+n*σ1],颜色通道G相应的参考标准范围为[u2-n*σ2,u2+n*σ2]。可以分别计算每一目标检测块对应的各类颜色通道对应的颜色平均值,若存在一个目标检测块中任一类型颜色通道对应的颜色平均值不在对应的预设标准范围内,则可判定第一检测结果为存在缺陷,若各目标检测中各类型颜色通道对应的颜色平均值都在对应的预设标准范围内,则还可以再根据另外一个考虑维度对检测结果做卡控,以进一步提高检测的准确性,当每一考虑维度检测完成后都没发现缺陷异色,则可认定检测的目标检测图像不存在缺陷。
可见,在本实施例中,通过根据参考平均值、参考标准差与预设倍数,确定参考标准范围,若存在目标检测块对应的颜色平均值在参考标准范围外,则将存在缺陷作为第一检测结果,将理想情况时对应的分布函数的参考数据应用于进一步地缺陷检测,并将待检测区域划分成多个目标检测块,可以在更小维度上更细致地检测出是否存在异色缺陷,以及检测的图像的分布与标准情况对应的分布的相似程度,从而进一步地提高了检测PCB板缺陷的准确性。
在一些实施例中,第一纹理特征包括标准图像中各区域对应的第一纹理特征值,第二纹理特征包括目标检测图像中各区域对应的第二纹理特征值,S206包括:
S500、基于预设特征提取算法,分别对标准图像和目标检测图像进行特征提取,得到标准图像中各区域对应的第一纹理特征值和目标检测图像中各区域对应的第二纹理特征值。
S502、依次将标准图像与目标检测图像在相同参考位置的区域对应的第一纹理特征值和第二纹理特征值进行比对,若存在区域对应的第一纹理特征值和第二纹理特征值之间的偏差值在预设偏差范围外,则将存在缺陷作为第二检测结果。
其中,预设特征提取算法指用于提取图像纹理特征的算法,可以是信息熵算法。第一纹理特征值指提取标准图像的纹理特征对应的值。第二纹理特征值提取目标检测图像的纹理特征对应的值。预设偏差范围指用于衡量因纹理特征的差异而导致缺陷的范围;若处于预设偏差范围内则为不存在缺陷,若处于预设偏差范围外则存在缺陷。
具体地,纹理特征可以反映着图像特性,可以获取标准PCB板对应的标准图像,并基于信息熵算法提取标准图像和目标检测图像对应的纹理特征,依次比对标准图像和目标检测图像在相同参考位置的区域对应的第一纹理特征值和第二纹理特征值,计算第一纹理特征值和第二纹理特征值之间的差值,若差值在预设偏差范围内,则说明标准图像和目标检测图像在当前比对的相同参考区域对应的纹理特征相似,目标检测图像在当前比对的区域不存在缺陷;若差值在预设偏差范围外,则说明标准图像和目标检测图像在当前比对的相同参考区域对应的纹理特征不相似,目标检测图像在当前比对的区域存在缺陷,也就是第二检测结果为存在缺陷。
可见,在本实施例中,通过基于预设特征提取算法,分别提取目标检测图像对应的标准图像和目标检测图像对应的第一纹理特征和第二纹理特征,并依次在相同参考位置一一比较对应区域的第一纹理特征值和第二纹理特征值,通过纹理特征的相似性进一步卡控缺陷的检测,从而在前面步骤检测方式的基础上进一步地提高对缺陷检测的准确性。
在一些实施例中,S208包括:
S600、若第一检测结果、第二检测结果、第三检测结果以及第四检测结果中任一个为存在缺陷,则目标检测图像的缺陷检测结果为存在缺陷。
S602、或者,若第一检测结果、第二检测结果、第三检测结果以及第四检测结果都为不存在缺陷,则目标检测图像的检测结果为不存在缺陷。
具体地,在多维度考虑下,层层递进地进行多种检测方式对应的操作,从而综合多种维度下的检测结果,确定目标检测图像是否存在缺陷的结果。若第一检测结果、第二检测结果、第三检测结果和第四检测结果种任一结果是存在缺陷,则说明目标检测图像对应的产品是存在缺陷的,也就是目标检测图像对应的PCB板在目标检测图像对应的区域存在缺陷;若第一检测结果、第二检测结果、第三检测结果和第四检测结果都没有检测出缺陷,则认为目标检测图像不存在缺陷,目标检测图像对应的PCB板在目标检测图像对应的区域不存在缺陷。
可见,在本实施例中,通过当第一检测结果、第二检测结果、第三检测结果和第四检测结果中任一个为存在缺陷时,目标检测图像对应的缺陷检测结果为存在缺陷;或者,当第一检测结果、第二检测结果、第三检测结果和第四检测结果都为不存在缺陷,目标检测图像对应的缺陷检测结果为不存在缺陷,实现综合多维度考虑下检测得到的结果确定目标检测图像的最终检测结果,对多种不同类型的缺陷异色都可有针对性的识别,层层分析到最终的综合考虑,较好地提高了对PCB板缺陷检测的准确性。
在一些实施例中,S200之前,该方法还包括:
S700、获取初始检测图像。
S702、基于预设模板匹配算法,从初始检测图像中确定与标准图像之间的相似度大于预设相似阈值的目标区域;
S704、将与目标区域对应的图像作为目标检测图像。
其中,初始检测图像指检测的样品的完整图像,即PCB板的完整图像。预设模板匹配算法指用于确定检测区域的算法,包括但不限于是基于灰度值的模板匹配算法、基于轮廓的模板匹配算法等。预设相似阈值指衡量初始检测图像中与标准图像相似的临界值。目标区域指目标检测的区域。
具体地,由于检测的PCB板结构布局复杂,在检测时是先确定要检测的区域后,对确定的检测区域进行检测的,对于不同的检测区域,都可以获取对应的标准图像,然后基于预设模板匹配算法从初始检测图像种找出与标准图像位置一致的区域,并将与初始检测图像中与标准图像位置一致的区域(即目标区域)对应的图像作为目标检测图像,从而实现检测区域的定位。
可见,在本实施例中,通过预设模板匹配算法从初始检测图像中确定与标准图像之间的相似度大于预设相似阈值的目标区域,并将目标区域对应的图像作为目标检测图像,从而较准确的定位出了目标检测区域,为后续进行相应的检测操作奠定了数据基础,也是提高对目标检测区域对应的缺陷检测准确性的基础。
在一些实施例中,以对PCB板的某一指定区域进行缺陷检测为例进行描述。获取标准PCB板对应的完整标准图像,从完整标准图像中获取指定检测区域对应的标准图像,获取检测的PCB板对应的初始检测图像,基于模板匹配算法,从初始检测图像中确定与标准图像之间的相似度大于预设相似阈值的目标区域,并将目标区域对应的图像作为目标检测图像,从而完成检测指定区域的定位。根据经验设置像素点对应的颜色值包括的各类型颜色通道(即R、G和B通道)在正常情况下对应的范围值,也就是获取各类型颜色通道相应的预设标准范围,当存在目标检测图像中任一像素点对应的任一类型颜色通道的值不在相同类型通道对应的预设标准范围时,判定目标检测图像在该检测方式下是存在缺陷的,为更深入和更准确地检测出目标检测图像的缺陷,可以将目标检测图像中像素点各类型颜色通道对应的值都在相应的预设标准范围内的区域作为待检测区域,并基于待检测区域中各像素点对应的各类颜色通道的值,构建各类颜色通道对应的待处理分布直方图,并对待处理分布直方图做平滑处理,以减小噪声数据对检测结果的影响。基于小波分解法,分别对进行平滑处理后的各类型颜色通道的待处理分布直方图进行分解,并从分解结果中确定各类型颜色通道对应的最优子分布直方图,根据各类型颜色通道对应的最优子分布直方图逆向推算出各类型颜色通道对应的标准分布直方图,将各类型颜色通道对应的未进行平滑处理前的待处理分布直方图和标准分布直方图进行比对,并计算各类型颜色通道对应的比对不重合部分的区域面积,当存在任一类颜色通道对应的不重合部分的区域面积大于预设面积阈值时,判定目标检测图像存在缺陷。
进一步地,为进一步地提高对PCB板指定区域缺陷检测的准确性,可以将各类颜色通道对应的标准分布直方图拟合成对应的目标分布函数,也就是高斯分布函数,从各类颜色通道对应的高斯分布函数中获取对应的目标参考数据,目标参考数据中包含参考平均值和参考标准差,参考平均值反映的是指定检测区域在理想状态,即无异常缺陷情况下各类颜色通道对应的颜色平均值,参考标准差反映的是指定检测区域在理想状态,即无异常缺陷情况下各像素点对应的各类颜色通道的值的分散程度。为能够充分地检测待检测区域各部位,可以将待检测区域根据n×n的方式划分成多个目标检测块,并计算各目标检测块中各类型颜色通道对应的颜色平均值,并设置预设倍数,根据预设倍数和各类颜色通道对应的参考平均值与参考标准差,计算各类颜色通道相应的参考标准范围,若存在目标检测块中任一类型颜色通道对应的颜色平均值不在参考标准范围内,则判定目标检测图像存在缺陷。此外,还可以基于信息熵算法分别计算标准图像和目标检测图像的纹理特征,得到标准图像对应的第一纹理特征和目标检测图像对应的第二纹理特征,并依次比对标准图像和目标检测图像在相同参考位置对应的第一纹理特征值和第二纹理特征值,若第一纹理特征值和第二纹理特征值之间的差值不在预设偏差范围内,则判定缺陷检测结果存在缺陷;若每次判定目标检测图像是否存在缺陷的过程中,都未检测出缺陷,则认为目标检测图像不存在缺陷。通过层层递进分析判断,以及多种检测方式关联考虑,以越来越深入的形式对PCB板指定区域进行缺陷的检测,并在最终将各维度考虑的检测方式的结果综合考虑,得到准确度更高的检测结果,避免了现有技术中考虑缺陷的特征维度不足导致不同类型的缺陷识别不准确、动态光照和背景等因素对检测结果的影响等问题,从而较好地提高了对PCB板缺陷检测的准确性。
应该理解的是,虽然如上述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种缺陷检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个缺陷检测装置实施例中的具体限定可以参见上文中对于缺陷检测方法的限定,在此不再赘述。
如图3所示,本申请实施例提供了一种缺陷检测装置300,包括:
确定模块302,用于基于获取的目标检测图像中各像素点对应的颜色值确定待检测区域;
计算模块304,用于基于待检测区域中各像素点对应的颜色值,构建待检测区域对应的待处理分布直方图;基于预设分解算法,计算待处理分布直方图对应的标准分布直方图;拟合出标准分布直方图对应的目标分布函数,从目标分布函数中确定目标参考数据;
第一检测模块306,用于将待检测区域进行划分,得到多个目标检测块;计算各目标检测块对应的颜色平均值,基于各目标检测块对应的颜色平均值与目标参考数据的比对结果确定第一检测结果;
第二检测模块308,用于获取目标检测图像对应的标准图像;确定标准图像对应的第一纹理特征和目标检测图像对应的第二纹理特征,基于第一纹理特征和第二纹理特征的比对结果确定第二检测结果;
结果模块310,用于基于第一检测结果和第二检测结果,确定目标检测图像的缺陷检测结果。
在一些实施例中,颜色值包括多个类型颜色通道对应的值,在基于获取的目标检测图像中各像素点对应的颜色值确定待检测区域方面,确定模块302具体用于:
分别获取各类型颜色通道对应的预设标准范围;
将获取的目标检测图像中各类型颜色通道对应的值均在相应的预设标准范围内的像素点所形成的区域作为待检测区域。
在一些实施例中,缺陷检测装置300还包括第三检测模块312,该第三检测模块312用于:
若目标检测图像中存在一个像素点对应的颜色值包括的任一类型颜色通道的值不在相应的预设标准范围内,则将存在缺陷作为目标检测图像的第三检测结果;计算标准分布直方图与待处理分布直方图之间的不重合部分,在目标检测图像中的区域面积,若区域面积大于预设面积阈值,则将存在缺陷作为目标检测图像的第四检测结果。
在一些实施例中,目标参考数据包括参考平均值和参考标准差,在基于各目标检测块对应的颜色平均值与目标参考数据的比对结果确定第一检测结果方面,第一检测模块306具体用于:
根据参考平均值、参考标准差与预设倍数,确定参考标准范围;
若存在目标检测块对应的颜色平均值在参考标准范围外,则将存在缺陷作为第一检测结果。
在一些实施例中,第一纹理特征包括标准图像中各区域对应的第一纹理特征值,第二纹理特征包括目标检测图像中各区域对应的第二纹理特征值;在确定标准图像对应的第一纹理特征和目标检测图像对应的第二纹理特征,基于第一纹理特征和第二纹理特征的比对结果确定第二检测结果方面,第二检测模块308具体用于:
基于预设特征提取算法,分别对标准图像和目标检测图像进行特征提取,得到标准图像中各区域对应的第一纹理特征值和目标检测图像中各区域对应的第二纹理特征值;
依次将标准图像与目标检测图像在相同参考位置的区域对应的第一纹理特征值和第二纹理特征值进行比对,若存在区域对应的第一纹理特征值和第二纹理特征值之间的偏差值在预设偏差范围外,则将存在缺陷作为第二检测结果。
在一些实施例中,在基于第一检测结果和第二检测结果,确定目标检测图像的缺陷检测结果方面,结果模块310具体用于:
若第一检测结果、第二检测结果、第三检测结果以及第四检测结果中任一个为存在缺陷,则目标检测图像的缺陷检测结果为存在缺陷;或者,
若第一检测结果、第二检测结果、第三检测结果以及第四检测结果都为不存在缺陷,则目标检测图像的缺陷检测结果为不存在缺陷。
在一些实施例中,缺陷检测装置300还包括定位模块314,该定位模块314用于:
获取初始检测图像;基于预设模板匹配算法,从初始检测图像中确定与标准图像之间的相似度大于预设相似阈值的目标区域;将与目标区域对应的图像作为目标检测图像。
上述缺陷检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以以硬件形式内嵌于或独立于计算机设备中的处理器,也可以以软件形式存储于计算机设备中的存储器,以便于处理器调用执行以上各个模块对应的操作。
在一些实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图4所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)及通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储执行缺陷检测过程的相关数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述的缺陷检测方法中的步骤。
在一些实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图5所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元及输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现上述的缺陷检测方法中的步骤。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏;该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图4或图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一些实施例中,提供了一种计算机设备,该计算机设备包括存储器和处理器,存储器存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一些实施例中,如图6所示提供了一种计算机可读存储介质的内部结构图,计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一些实施例中,提供了一种计算机程序产品,该计算机程序产品包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(FerroelectricRandomAccess Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static RandomAccess Memory,SRAM)或动态随机存取存储器(Dynamic Random AccessMemory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种缺陷检测方法,其特征在于,包括:
基于获取的目标检测图像中各像素点对应的颜色值确定待检测区域;
基于所述待检测区域中各像素点对应的颜色值,构建所述待检测区域对应的待处理分布直方图;基于预设分解算法,计算所述待处理分布直方图对应的标准分布直方图;拟合出所述标准分布直方图对应的目标分布函数,从所述目标分布函数中确定目标参考数据;
将所述待检测区域进行划分,得到多个目标检测块;计算各所述目标检测块对应的颜色平均值,基于各所述目标检测块对应的颜色平均值与所述目标参考数据的比对结果确定第一检测结果;
获取所述目标检测图像对应的标准图像;确定所述标准图像对应的第一纹理特征和所述目标检测图像对应的第二纹理特征,基于所述第一纹理特征和所述第二纹理特征的比对结果确定第二检测结果;
基于所述第一检测结果和所述第二检测结果,确定所述目标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,所述颜色值包括多个类型颜色通道对应的值,所述基于获取的目标检测图像中各像素点对应的颜色值确定待检测区域,包括:
分别获取各类型颜色通道对应的预设标准范围;
将获取的目标检测图像中各类型颜色通道对应的值均在相应的预设标准范围内的像素点所形成的区域作为待检测区域。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
若所述目标检测图像中存在一个像素点对应的颜色值包括的任一类型颜色通道的值不在相应的预设标准范围内,则将存在缺陷作为所述目标检测图像的第三检测结果;
所述方法还包括:
计算所述标准分布直方图与所述待处理分布直方图之间的不重合部分,在所述目标检测图像中的区域面积,若所述区域面积大于预设面积阈值,则将存在缺陷作为所述目标检测图像的第四检测结果。
4.根据权利要求1所述的方法,其特征在于,所述目标参考数据包括参考平均值和参考标准差,所述基于各所述目标检测块对应的颜色平均值与所述目标参考数据的比对结果确定第一检测结果,包括:
根据所述参考平均值、所述参考标准差与预设倍数,确定参考标准范围;
若存在所述目标检测块对应的颜色平均值在所述参考标准范围外,则将存在缺陷作为第一检测结果。
5.根据权利要求1所述的方法,其特征在于,所述第一纹理特征包括所述标准图像中各区域对应的第一纹理特征值,所述第二纹理特征包括所述目标检测图像中各区域对应的第二纹理特征值;所述确定所述标准图像对应的第一纹理特征和所述目标检测图像对应的第二纹理特征,基于所述第一纹理特征和所述第二纹理特征的比对结果确定第二检测结果,包括:
基于预设特征提取算法,分别对所述标准图像和所述目标检测图像进行特征提取,得到所述标准图像中各区域对应的第一纹理特征值和所述目标检测图像中各区域对应的第二纹理特征值;
依次将所述标准图像与所述目标检测图像在相同参考位置的区域对应的第一纹理特征值和第二纹理特征值进行比对,若存在区域对应的第一纹理特征值和第二纹理特征值之间的偏差值在预设偏差范围外,则将存在缺陷作为第二检测结果。
6.根据权利要求3所述的方法,其特征在于,所述基于所述第一检测结果和所述第二检测结果,确定所述目标检测图像的缺陷检测结果,包括:
若所述第一检测结果、所述第二检测结果、所述第三检测结果以及所述第四检测结果中任一个为存在缺陷,则所述目标检测图像的缺陷检测结果为存在缺陷;或者,
若所述第一检测结果、所述第二检测结果、所述第三检测结果以及所述第四检测结果都为不存在缺陷,则所述目标检测图像的缺陷检测结果为不存在缺陷。
7.根据权利要求1所述的方法,其特征在于,所述基于获取的目标检测图像中各像素点对应的颜色值确定待检测区域之前,所述方法还包括:
获取初始检测图像;
基于预设模板匹配算法,从所述初始检测图像中确定与所述标准图像之间的相似度大于预设相似阈值的目标区域;
将与所述目标区域对应的图像作为所述目标检测图像。
8.一种缺陷检测装置,其特征在于,包括:
确定模块,用于基于获取的目标检测图像中各像素点对应的颜色值确定待检测区域;
计算模块,用于基于所述待检测区域中各像素点对应的颜色值,构建所述待检测区域对应的待处理分布直方图;基于预设分解算法,计算所述待处理分布直方图对应的标准分布直方图;拟合出所述标准分布直方图对应的目标分布函数,从所述目标分布函数中确定目标参考数据;
第一检测模块,用于将所述待检测区域进行划分,得到多个目标检测块;计算各所述目标检测块对应的颜色平均值,基于各所述目标检测块对应的颜色平均值与所述目标参考数据的比对结果确定第一检测结果;
第二检测模块,用于获取所述目标检测图像对应的标准图像;确定所述标准图像对应的第一纹理特征和所述目标检测图像对应的第二纹理特征,基于所述第一纹理特征和所述第二纹理特征的比对结果确定第二检测结果;
结果模块,用于基于所述第一检测结果和所述第二检测结果,确定所述目标检测图像的缺陷检测结果。
9.一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311287490.3A CN117011304B (zh) | 2023-10-08 | 2023-10-08 | 缺陷检测方法、装置、计算机设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311287490.3A CN117011304B (zh) | 2023-10-08 | 2023-10-08 | 缺陷检测方法、装置、计算机设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117011304A true CN117011304A (zh) | 2023-11-07 |
CN117011304B CN117011304B (zh) | 2024-03-26 |
Family
ID=88574755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311287490.3A Active CN117011304B (zh) | 2023-10-08 | 2023-10-08 | 缺陷检测方法、装置、计算机设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117011304B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117291911A (zh) * | 2023-11-24 | 2023-12-26 | 山东通广电子股份有限公司 | 一种用于电力设备的缺陷检测方法及系统 |
CN117557786A (zh) * | 2024-01-11 | 2024-02-13 | 深圳思谋信息科技有限公司 | 物料质量检测方法、装置、计算机设备及存储介质 |
CN117764963A (zh) * | 2023-12-25 | 2024-03-26 | 深圳市恒顺亿包装材料有限公司 | 基于机器视觉的包装袋缺陷检测方法、装置、终端及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006343989A (ja) * | 2005-06-08 | 2006-12-21 | Fuji Xerox Co Ltd | 画像処理装置、画像処理方法及び画像処理プログラム |
US20080205747A1 (en) * | 2006-12-28 | 2008-08-28 | Toshimasa Kuchii | Defect detecting device, defect detecting method, image sensor device, image sensor module, defect detecting program, and computer-readable recording medium |
CN111951210A (zh) * | 2019-05-14 | 2020-11-17 | 阿里巴巴集团控股有限公司 | 数据的处理方法、装置及设备 |
CN114742788A (zh) * | 2022-04-01 | 2022-07-12 | 南通高精数科机械有限公司 | 一种基于机器视觉的铜排缺陷检测方法及系统 |
CN114998314A (zh) * | 2022-07-18 | 2022-09-02 | 启东旺晟电子科技有限公司 | 一种基于计算机视觉的pcb电路板缺陷检测方法 |
CN115018828A (zh) * | 2022-08-03 | 2022-09-06 | 深圳市尹泰明电子有限公司 | 一种电子元器件的缺陷检测方法 |
CN115311301A (zh) * | 2022-10-12 | 2022-11-08 | 江苏银生新能源科技有限公司 | 一种pcb板焊点缺陷检测方法 |
CN116152166A (zh) * | 2022-12-13 | 2023-05-23 | 深圳思谋信息科技有限公司 | 基于特征相关性的缺陷检测方法及相关装置 |
-
2023
- 2023-10-08 CN CN202311287490.3A patent/CN117011304B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006343989A (ja) * | 2005-06-08 | 2006-12-21 | Fuji Xerox Co Ltd | 画像処理装置、画像処理方法及び画像処理プログラム |
US20080205747A1 (en) * | 2006-12-28 | 2008-08-28 | Toshimasa Kuchii | Defect detecting device, defect detecting method, image sensor device, image sensor module, defect detecting program, and computer-readable recording medium |
CN111951210A (zh) * | 2019-05-14 | 2020-11-17 | 阿里巴巴集团控股有限公司 | 数据的处理方法、装置及设备 |
CN114742788A (zh) * | 2022-04-01 | 2022-07-12 | 南通高精数科机械有限公司 | 一种基于机器视觉的铜排缺陷检测方法及系统 |
CN114998314A (zh) * | 2022-07-18 | 2022-09-02 | 启东旺晟电子科技有限公司 | 一种基于计算机视觉的pcb电路板缺陷检测方法 |
CN115018828A (zh) * | 2022-08-03 | 2022-09-06 | 深圳市尹泰明电子有限公司 | 一种电子元器件的缺陷检测方法 |
CN115311301A (zh) * | 2022-10-12 | 2022-11-08 | 江苏银生新能源科技有限公司 | 一种pcb板焊点缺陷检测方法 |
CN116152166A (zh) * | 2022-12-13 | 2023-05-23 | 深圳思谋信息科技有限公司 | 基于特征相关性的缺陷检测方法及相关装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117291911A (zh) * | 2023-11-24 | 2023-12-26 | 山东通广电子股份有限公司 | 一种用于电力设备的缺陷检测方法及系统 |
CN117291911B (zh) * | 2023-11-24 | 2024-02-09 | 山东通广电子股份有限公司 | 一种用于电力设备的缺陷检测方法及系统 |
CN117764963A (zh) * | 2023-12-25 | 2024-03-26 | 深圳市恒顺亿包装材料有限公司 | 基于机器视觉的包装袋缺陷检测方法、装置、终端及介质 |
CN117557786A (zh) * | 2024-01-11 | 2024-02-13 | 深圳思谋信息科技有限公司 | 物料质量检测方法、装置、计算机设备及存储介质 |
CN117557786B (zh) * | 2024-01-11 | 2024-05-10 | 深圳思谋信息科技有限公司 | 物料质量检测方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117011304B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117011304B (zh) | 缺陷检测方法、装置、计算机设备及计算机可读存储介质 | |
US10803554B2 (en) | Image processing method and device | |
CN111179230B (zh) | 遥感影像对比变化检测方法、装置、存储介质及电子设备 | |
CN111192239B (zh) | 遥感影像变化区域检测方法、装置、存储介质及电子设备 | |
CN113781406B (zh) | 电子元器件的划痕检测方法、装置及计算机设备 | |
CN114612469A (zh) | 产品缺陷检测方法、装置、设备及可读存储介质 | |
CN116596935B (zh) | 形变检测方法、装置、计算机设备及计算机可读存储介质 | |
CN116206125A (zh) | 外形缺陷识别方法、装置、计算机设备及存储介质 | |
CN115965646B (zh) | 区域划分方法、装置、计算机设备及计算机可读存储介质 | |
CN117726579A (zh) | 缺陷检测方法、装置、计算机设备及计算机可读存储介质 | |
CN116912791A (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
CN114820674B (zh) | 电弧轮廓提取方法、装置、计算机设备和存储介质 | |
CN114925153B (zh) | 基于业务的地理信息数据质量检测方法、装置和设备 | |
CN115731442A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN114820547B (zh) | 车道线检测方法、装置、计算机设备、存储介质 | |
CN115760774A (zh) | 区域检测方法、装置、计算机设备及计算机可读存储介质 | |
CN117635554A (zh) | 线路缺陷检测方法、装置、计算机设备及存储介质 | |
CN116402842B (zh) | 边缘缺陷检测方法、装置、计算机设备及存储介质 | |
CN116609344B (zh) | 摄像头排插的缺陷检测方法、装置、设备及存储介质 | |
CN117745814A (zh) | Pcb板中的单元定位方法、装置、计算机设备及存储介质 | |
CN115527161B (zh) | 异常放电监测方法、装置、计算机设备和存储介质 | |
CN117197129B (zh) | 黑化程度检测方法、装置和计算机设备 | |
CN117237347B (zh) | Pcb板缺陷检测方法、装置、存储介质及电子设备 | |
CN116563357B (zh) | 图像匹配方法、装置、计算机设备及计算机可读存储介质 | |
CN117974576A (zh) | 图像质量检测方法、装置、计算机设备及存储介质 |
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 |