CN117078672A - 基于计算机视觉的手机屏幕缺陷智能检测方法 - Google Patents
基于计算机视觉的手机屏幕缺陷智能检测方法 Download PDFInfo
- Publication number
- CN117078672A CN117078672A CN202311324650.7A CN202311324650A CN117078672A CN 117078672 A CN117078672 A CN 117078672A CN 202311324650 A CN202311324650 A CN 202311324650A CN 117078672 A CN117078672 A CN 117078672A
- Authority
- CN
- China
- Prior art keywords
- mobile phone
- pixel
- phone screen
- area
- gray
- 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 33
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 230000000903 blocking effect Effects 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 230000003014 reinforcing effect Effects 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及基于计算机视觉的手机屏幕缺陷智能检测方法,包括:获取手机屏幕表面灰度图像;获取手机表面灰度图像的分块区域;获取每个分块区域中存在裂纹的概率;根据分块区域中存在裂纹的概率合并分块区域获得合并块;对每个合并块的梯度直方图进行高斯拟合获取手机屏幕表面灰度图像中可能为细裂纹边缘的像素线段;根据线段上的像素点梯度方向差异和相邻像素点灰度值差异获每个像素点为细裂纹边缘像素点的概率;根据像素点为细裂纹边缘像素点的概率获取像素点的增强程度;根据增强程度获取手机屏幕表面的增强图像;根据手机屏幕表面的增强图像进行手机屏幕缺陷检测。本发明提高了手机屏幕缺陷检测的准确性。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种基于计算机视觉的手机屏幕缺陷智能检测方法。
背景技术
随着现代生活节奏的加快,人们对手机的使用越来越频繁,使用过程中不可避免地产生手机消耗。而且,由于使用不当或手机持有者的不小心,容易造成手机外屏的碎裂,从而产生屏幕裂纹,但是较细小的裂纹与正常屏幕的灰度值相近,可能仅靠肉眼无法对其进行识别,因此需要增强手机屏幕的对比度以增强对裂纹缺陷检测的视觉效果。
线性变换是增强图像对比度的一种常见手段,通过构建灰度的线性变换获得图像所有像素点的新灰度值,从而实现增强,但是这个过程同样增强了不属于裂纹区域的像素点,可能会造成对比度变化不明显的问题。因此,本实施例通过计算出各个边缘点属于裂纹边缘点的概率,再结合各个边缘点的对比度计算出个边缘点的增强程度,实现各像素点的自适应增强。
发明内容
本发明提供基于计算机视觉的手机屏幕缺陷智能检测方法,以解决现有的问题。
本发明的基于计算机视觉的手机屏幕缺陷智能检测方法采用如下技术方案:
本发明一个实施例提供了基于计算机视觉的手机屏幕缺陷智能检测方法,该方法包括以下步骤:
采集手机屏幕表面图像并进行预处理,获得手机屏幕表面灰度图像;
对手机屏幕表面灰度图像进行分块处理获得多个分块区域;根据每个分块区域中像素点的灰度分布范围和灰度波动程度获取每个分块区域中存在裂纹的概率;根据每个分块区域中存在裂纹的概率合并分块区域,获得合并区域块;
对每个合并区域块的梯度直方图进行拟合,获取每个合并区域块的混合高斯模型;根据混合高斯模型中处于中间的子高斯模型获取手机屏幕表面灰度图像中可能为细裂纹边缘的像素线段;根据像素线段上的像素点的梯度方向差异以及像素线段上像素点的相邻像素点灰度值差异获取像素线段中每个像素点为细裂纹边缘像素点的概率;根据像素线段中每个像素点为细裂纹边缘像素点的概率获取像素点的增强程度;根据增强程度对像素点进行增强,获得增强后的手机屏幕表面灰度图像;
根据增强后的手机屏幕表面灰度图像获取手机屏幕中的裂纹区域,进行缺陷检测。
优选的,所述根据每个分块区域中像素点的灰度分布范围和灰度波动程度获取每个分块区域中存在裂纹的概率,包括的具体计算方法为:
首先获取每个合并区域块的最大灰度值和最小灰度值的差值,而后利用差值与255的比值乘以每个分块区域的灰度波动程度,得到每个分块区域中存在裂纹的概率,每个分块区域的灰度波动程度由分块区域的像素点灰度方差获取。
优选的,所述对每个合并区域块的梯度直方图进行拟合,获取每个合并区域块的混合高斯模型,包括的具体方法为:
获取每个合并区域块的梯度图像,而后以梯度幅值为横坐标,像素点频数为纵坐标绘制每个合并区域块的梯度直方图,对每个合并区域块的梯度直方图进行混合高斯模型的拟合,拟合的混合高斯模型包含的子高斯模型的个数为,获取每个合并区域块的混合高斯模型,th1为预设的子高斯模型数量。
优选的,所述根据混合高斯模型中处于中间的子高斯模型获取手机屏幕表面灰度图像中可能为细裂纹边缘的像素线段,包括的具体方法为:
根据混合高斯模型获取每个合并区域块的个子高斯模型的均值和标准差,th1为预设数量,按照均值从小到大的顺序将所有子高斯模型排列,选取均值处于中间的子高斯模型,将选取的子高斯模型中处于/>区间的样本点映射到手机屏幕表面灰度图像中,其中/>表示均值,/>表示标准差,获得多个可能为细裂纹边缘的像素点或线段,以获取的像素点和处于像素线段两端的像素点作为中心进行8邻域搜索,若邻域内存在处于均值和标准差最大的子高斯模型对应的像素点,则将像素点标记为确定边缘点,将像素线段标记为可能存在的细裂纹边缘的像素线段。
优选的,所述根据像素线段上的像素点的梯度方向差异以及像素线段上像素点的相邻像素点灰度值差异获取像素线段中每个像素点为细裂纹边缘像素点的概率,包括的具体公式为:
其中,表示第/>个合并区域中第/>个像素线段的第/>个像素点为边缘像素点的概率,/>表示第/>个合并区域中第/>个像素线段的第/>个像素点的梯度方向,/>表示第个合并区域中第/>个像素线段中除第/>个像素点外的第/>个像素点的梯度方向,且,/>表示第/>个合并区域中除第/>个像素点外的像素点个数为/>个,/>表示的第个像素点的灰度值,/>和/>表示与像素点/>相邻的两个像素点的灰度值,/>为以自然常数为底的指数函数。
优选的,所述根据像素线段中每个像素点为细裂纹边缘像素点的概率获取像素点的增强程度,包括的具体计算方法为:
利用每个合并区域中的像素线段上的像素点为细裂纹边缘点的概率作为指数构建函数,以像素点为中心构建/>窗口获取窗口内的像素点的灰度最大值和灰度最小值,获取窗口内像素点的灰度最大值与灰度最小值之差和灰度最大值与灰度最小值之和的比值,将构建的/>函数与比值相乘获取像素线段上每个像素点的增强程度,/>为预设窗口大小。
优选的,所述根据增强程度对像素点进行增强,获得增强后的手机屏幕表面灰度图像,包括的具体公式为:
其中,表示经过增强后的第/>个合并区域中第/>个线段的第/>个像素点的灰度值,/>对第/>个合并区域中第/>个线段的第/>个像素点的增强程度,/>表示第/>个合并区域中/>区间对应的第/>个线段的第/>个像素点的初始灰度值,为超参数,/>是以自然常数为底的指数函数。
优选的,所述根据每个分块区域中存在裂纹的概率合并分块区域,获得合并区域块,包括的具体方法为:
预设一个裂纹存在概率阈值,以第/>个分块区域为中心的8个邻接区域块中的第/>个邻接分块区域中存在裂纹概率/>,则将第/>个分块区域与以第/>个分块区域为中心的8个邻接区域块中的第/>个邻接分块区域进行合并;计算以第/>个邻接分块区域为中心的8个邻接区域块中存在裂纹的概率,若第/>个邻接区域块的8个邻接区域块中存在裂纹概率大于阈值,则将其与第/>个邻接分块区域继续进行合并。然后以能合并的区域块继续计算邻接分块区域中存在裂纹的概率,将满足合并条件的继续进行合并,直至不存在满足合并条件的分块区域则停止合并,获得合并区域块。
优选的,所述根据增强后的手机屏幕表面灰度图像获取手机屏幕中的裂纹区域,进行缺陷检测,包括的具体方法为:
根据边缘检测算法分割增强后的手机屏幕表面灰度图像,提取手机屏幕表面裂纹区域,通过计算裂纹区域的分布面积大小等获取手机屏幕的裂纹缺陷检测结果。
优选的,所述采集手机屏幕表面图像并进行预处理,获得手机屏幕表面灰度图像,包括的具体方法为:
将手机屏幕熄灭以防止手机亮度对屏幕表面图像的灰度值影响,而后在垂直于屏幕表面图像上方设置工业相机进行拍摄,获取手机屏幕表面图像,为放置噪声点影响,利用平滑算法对手机屏幕表面图像进行平滑处理,最后加权灰度化处理手机屏幕表面图像,获得手机屏幕表面灰度图像。
本发明的技术方案的有益效果是:本发明首先通过对采集到的手机屏幕表面图像划分区域块,并根据区域块中存在裂纹的概率合并区域块,减少了计算量;根据合并区域块中像素点的梯度特征进行高斯拟合,获取了可能为细边缘的线段,从而根据线段中像素点的梯度方向差异以及灰度值差异获取了像素点为细边缘点的概率;最后根据概率确定对像素点的增强程度,提高了增强的自适应性,同时根据增强后的图像指导工作人员进行缺陷检测,提高了检测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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为本发明基于计算机视觉的手机屏幕缺陷智能检测方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于计算机视觉的手机屏幕缺陷智能检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于计算机视觉的手机屏幕缺陷智能检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于计算机视觉的手机屏幕缺陷智能检测方法的步骤流程图,该方法包括以下步骤:
S001.采集手机屏幕表面图像,预处理获取手机屏幕表面灰度图像。
需要说明的是,采集手机屏幕表面图像,需要注意的是,首先将手机屏幕熄灭以防止手机亮度对屏幕表面图像的灰度值影响,而后在垂直于屏幕表面图像上方设置工业相机进行拍摄,获取手机屏幕表面图像,为方便后续的裂纹缺陷提取,对手机屏幕图像进行灰度化处理,获取手机表面灰度图像。
至此,获取了手机屏幕表面灰度图像。
S002.划分手机屏幕表面灰度图像并进行区域合并,获取合并区域块。
需要说明的是,由于正常的手机屏幕区域的灰度值较低且分布均匀,正常区域指手机屏幕中不存在裂纹的区域,而手机裂纹区域中的灰度值较大且与周围正常区域存在灰度差异,因此本实施根据手机屏幕表面图像的中局部区域的灰度波动程度以及局部灰度范围确定手机屏幕图像的局部区域中存在裂纹的概率。具体实施方法如下:
首先将获取的手机屏幕表面灰度图像平均划分为个分块区域,由于手机屏幕图像表面图像中的正常区域的灰度值较低且分布均匀,而裂纹区域的灰度值较大且与周围正常区域存在灰度值差异,形成较大的灰度范围,因此本实施例首先获取每个分块区域的灰度值区间,通过计算分块区域中灰度值的最大、最小值差异量化每个分块区域中像素点的灰度分布范围。同时,由于裂纹区域会与周围的正常区域之间产生较大的灰度差异,所以分块区域中的像素点的灰度波动程度越大,则分块区域为裂纹区域的概率越大。因此本实施例根据如下公式计算每个分块区域的存在裂纹的概率:
其中,为第/>个分块区域中存在裂纹的概率,且/>,/>表示第/>个分块区域的像素点灰度值的最大值,/>表示第/>个分块区域的像素点灰度值的最小值,/>表示第/>个分块区域的像素点灰度波动程度,由每个分块区域的像素点灰度方差获取。
需要说明的是,每个分块区域的灰度区间范围越大,说明分块区域中的像素点灰度值差异越大,则该区域中存在裂纹区域的概率就越大,反之存在裂纹的概率越小;同时为避免孤立噪声点对概率的影响:通常孤立噪声点的灰度值大,若直接根据每个区域块的灰度区间的最大最小值计算,可能会存在灰度差异大但裂纹概率并不大的问题。由于灰度分布越平滑则方差越小,则孤立的噪声点对分块区域的灰度方差影响小。因此,本实施例通过每个分块区域的灰度方差调整灰度差异对裂纹存在概率的影响。
需要说明的是,为减少后续计算量,本实施例通过得到的裂纹存在概率结合阈值处理,将存在裂纹概率大且相邻的区域进行合并,存在概率小的区域保留。因此本实施例预设一个裂纹存在概率阈值,以/>为例进行叙述,若/>说明第/>个分块区域中存在裂纹的概率大。若以第/>个分块区域为中心的8个邻接区域块中的第/>个邻接分块区域中存在裂纹概率/>,则将第/>个分块区域与以第/>个分块区域为中心的8个邻接区域块中的第/>个邻接分块区域进行合并,而后计算以第/>个邻接分块区域为中心的8个邻接区域块中存在裂纹的概率,若满足合并条件(邻接区域块中存在裂纹概率大于阈值),则将其与第/>个邻接分块区域继续进行合并。然后以能合并的区域块继续计算邻接分块区域中存在裂纹的概率,将满足合并条件的继续进行合并,直至不存在满足合并条件的分块区域则停止合并,记获取的合并区域块的个数为/>个。
至此,获取了存在裂纹概率大的合并区域。
S003.根据存在裂纹概率大的合并区域计算每个合并区域中像素点的增强程度。
需要说明的是,在手机屏幕表面图像中,存在的裂纹粗细和深浅不一会造成灰度值的不同,对于较细的裂纹边缘,其灰度值与正常屏幕区域的灰度值相近,则利用边缘检测算法提取裂缝边缘时,阈值过小则在将灰度值较低的裂缝边缘检测出来的同时会检测到正常屏幕区域的噪声点,从而造成检测结果不准确,因此本实施例需要对灰度值较低的边缘点进行增强以区域灰度值较低的边缘点和噪声点。
需要说明的是,在存在裂纹概率较大的合并区域中,由于裂纹的存在造成像素点灰度值分布复杂,则合并区域中的像素点的梯度值变化较大,可形成的梯度幅值区间较大。由于合并区域中存在与正常区域对比度大的裂纹边缘点,容易通过边缘检测算法提取出来,则为减少计算量,不需要对其进行增强。对于合并区域中处于较细裂纹的边缘像素点,由于细裂纹的边缘像素点的灰度值与正常区域的对比度较小,则需要对细裂纹的边缘像素点进行增强以提高对比度。由于细裂纹边缘点与正常区域像素点的灰度值相近,则细裂纹边缘点的梯度幅值处于合并区域形成的梯度幅值区间的中间部分。因此本实施例首先获取每个合并区域的梯度图像,而后以梯度幅值为横坐标,像素点频数为纵坐标绘制每个合并区域的梯度直方图,根据每个合并区域的梯度幅值区间结合裂纹的表现特征,将每个合并区域的梯度幅值特征分为三类:梯度幅值较小、梯度幅值处于梯度幅值区间中间部分、梯度幅值较大。
需要说明的是,根据划分的合并区域梯度幅值特征,使用算法设置子高斯模型的数量为/>,对每个合并区域的梯度直方图进行混合高斯模型的拟合,获取第/>个合并区域块的3个子高斯模型的均值和标准差,记为/>和/>,其中,/>,/>。将和/>按照大小排序:/>,/>,则均值和标准差为/>的子高斯模型对应的像素点可能为合并区域块中的细裂纹边缘点或正常区域的噪声点,由于高斯模型中99%的样本分布在/>区间中,则本实施例取区间中的像素点映射到第/>个合并区域中进行分析。
需要说明的是,根据像素点的梯度幅值特征,将区间中的像素点映射到第/>个合并区域中对应的是多个细裂纹边缘点或正常区域的噪声点,根据裂纹边缘的连通性可知属于裂纹边缘的线段或像素点会与/>和/>对应的子高斯模型中的像素点连通,因此对每个映射到第/>个合并区域中合并区域中的像素点进行8邻域搜索,若以每个像素点或线段两端的像素点为中心的邻域像素中存在/>和/>对应的子高斯模型中的像素点,则将满足条件的像素点确定为边缘像素点,由于线段由多个像素点构成,不确定因素过多,因此对于满足条件的线段继续进行分析,记第/>个合并区域中满足条件的线段个数为/>个。
需要说明的是,裂纹边缘线段中的像素点的梯度方向存在相似性,因此获取的线段像素点的梯度方向变化越相似,说明该线段上的各个像素点属于细裂纹边缘像素点的概率越高,因此首先使用算子计算出获取的线段中各像素点的梯度方向,然后通过遍历计算出每个线段上的所有像素点的梯度方向差异,若线段上的梯度方向差异越小说明该线段形成细裂纹边缘的概率越大。
需要说明的是,线段上分布的相邻像素点的灰度值会影响像素点的梯度方向,当相邻两个像素点的差异越大,则像素点的梯度方向可信度越小,反之梯度方向可信度越大,因此本实施例以线段上相邻像素点的平均灰度值差异作为权重调整相邻灰度值差异对线段梯度方向的影响,具体计算公式如下:
其中,表示第/>个合并区域中/>区间对应的第/>个线段的第/>个像素点为边缘像素点的概率;/>表示第/>个合并区域中区间对应的第/>个线段的第/>个像素点的梯度方向;/>表示第个合并区域中/>区间对应的第/>个线段中除第/>个像素点外的第个像素点的梯度方向,且/>,/>表示第/>个合并区域中除第/>个像素点外的像素点个数为/>个;/>表示的第/>个像素点的灰度值,/>、/>表示与像素点/>相邻的两个像素点的灰度值,则/>表示第/>个像素点与其相邻两个像素点的灰度差异均值;表示第/>个线段中第/>个像素点与线段上其他像素点的梯度方向差异均值,为以自然常数为底的指数函数。
需要说明的是,得到合并区域中每个线段中的像素点为裂纹边缘点的概率后,若概率越接近于1说明像素点为细裂纹边缘点的概率越小,由于边缘点与其所在的局部区域存在对不都差异,仅使用概率判断对每个像素点的增强程度,忽略了局部对比度,可能造成增强效果不明显的问题,因此本实施例结合每个合并区域的线段的像素与其所在的局部区域存在的对比度确定每个像素点的增强程度,具体计算公式如下:
其中,表示对第/>个合并区域中/>区间对应的第/>个线段的第/>个像素点的增强程度,/>表示第/>个合并区域中区间对应的第/>个线段的第/>个像素点为边缘像素点的概率,分别表示以第/>像素点为中心构建/>窗口内的像素点灰度最大值和最小值;是以自然常数为底的指数函数。
至此,获取了每个合并区域中边缘像素点的增强程度。
S004.根据像素点的增强程度获取增强后的手机屏幕表面图像。
需要说明的是,根据上述步骤获取的每个合并区域中存在线段的像素点的增强程度后,根据灰度线性变换公式对像素点进行增强,具体计算公式如下:
其中,表示经过线性变换增强后的第/>个合并区域中区间对应的第/>个线段的第/>个像素点的灰度值,/>对第/>个合并区域中/>区间对应的第/>个线段的第/>个像素点的增强程度,表示第/>个合并区域中/>区间对应的第/>个线段的第/>个像素点的初始灰度值,/>为超参数,本实施以/>为说明,本实施例对/>不做限制,/>是以自然常数为底的指数函数。遍历每个合并区域中形成线段/>区间对应的像素点进行增强,获得增强后的手机屏幕表面图像。
至此,获取了手机屏幕表面图像。
S005.根据增强后的手机屏幕表面图像提取裂纹区域。
需要说明的是,在对手机屏幕表面图像中可能存在的系列问区域像素点进行增强后,增大了处于细裂纹区域的像素点灰度值,使其表现更明显,则此时利用现有的边缘检测算法可以获得更为准确的手机屏幕表面裂纹区域,指导工作人员进行缺陷检测可以获得更准确的检测结果。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于计算机视觉的手机屏幕缺陷智能检测方法,其特征在于,该方法包括以下步骤:
采集手机屏幕表面图像并进行预处理,获得手机屏幕表面灰度图像;
对手机屏幕表面灰度图像进行分块处理获得多个分块区域;根据每个分块区域中像素点的灰度分布范围和灰度波动程度获取每个分块区域中存在裂纹的概率;根据每个分块区域中存在裂纹的概率合并分块区域,获得合并区域块;
对每个合并区域块的梯度直方图进行拟合,获取每个合并区域块的混合高斯模型;根据混合高斯模型中处于中间的子高斯模型获取手机屏幕表面灰度图像中可能为细裂纹边缘的像素线段;根据像素线段上的像素点的梯度方向差异以及像素线段上像素点的相邻像素点灰度值差异获取像素线段中每个像素点为细裂纹边缘像素点的概率;根据像素线段中每个像素点为细裂纹边缘像素点的概率获取像素点的增强程度;根据增强程度对像素点进行增强,获得增强后的手机屏幕表面灰度图像;
根据增强后的手机屏幕表面灰度图像获取手机屏幕中的裂纹区域,进行缺陷检测。
2.根据权利要求1所述基于计算机视觉的手机屏幕缺陷智能检测方法,其特征在于,所述根据每个分块区域中像素点的灰度分布范围和灰度波动程度获取每个分块区域中存在裂纹的概率,包括的具体计算方法为:
获取每个合并区域块的最大灰度值和最小灰度值的差值,利用差值与255的比值乘以每个分块区域的灰度波动程度,得到每个分块区域中存在裂纹的概率,每个分块区域的灰度波动程度由分块区域的像素点灰度方差获取。
3.根据权利要求1所述基于计算机视觉的手机屏幕缺陷智能检测方法,其特征在于,所述对每个合并区域块的梯度直方图进行拟合,获取每个合并区域块的混合高斯模型,包括的具体方法为:
获取每个合并区域块的梯度图像,而后以梯度幅值为横坐标,像素点频数为纵坐标绘制每个合并区域块的梯度直方图,对每个合并区域块的梯度直方图进行混合高斯模型的拟合,拟合的混合高斯模型包含的子高斯模型的个数为th1,获取每个合并区域块的混合高斯模型,th1为预设的子高斯模型数量。
4.根据权利要求1所述基于计算机视觉的手机屏幕缺陷智能检测方法,其特征在于,所述根据混合高斯模型中处于中间的子高斯模型获取手机屏幕表面灰度图像中可能为细裂纹边缘的像素线段,包括的具体方法为:
根据混合高斯模型获取每个合并区域块的th1个子高斯模型的均值和标准差,th1为预设数量;按照均值从小到大的顺序将所有子高斯模型排列,选取处于中间的子高斯模型,将选取的子高斯模型中处于区间的样本点映射到手机屏幕表面灰度图像中,其中/>表示均值,/>表示标准差,获得多个可能为细裂纹边缘的像素点或线段,以获取的像素点和处于像素线段两端的像素点作为中心进行8邻域搜索,若邻域内存在处于均值和标准差最大的子高斯模型对应的像素点,则将像素点标记为确定边缘点,将像素线段标记为可能存在的细裂纹边缘的像素线段。
5.根据权利要求1所述基于计算机视觉的手机屏幕缺陷智能检测方法,其特征在于,所述根据像素线段上的像素点的梯度方向差异以及像素线段上像素点的相邻像素点灰度值差异获取像素线段中每个像素点为细裂纹边缘像素点的概率,包括的具体公式为:
其中,表示第/>个合并区域中第/>个像素线段的第/>个像素点为边缘像素点的概率,/>表示第/>个合并区域中第/>个像素线段的第/>个像素点的梯度方向,/>表示第/>个合并区域中第/>个像素线段中除第/>个像素点外的第/>个像素点的梯度方向,且/>,/>表示第/>个合并区域中除第/>个像素点外的像素点个数为/>个,/>表示的第/>个像素点的灰度值,/>和/>表示与像素点/>相邻的两个像素点的灰度值,/>为以自然常数为底的指数函数。
6.根据权利要求1所述基于计算机视觉的手机屏幕缺陷智能检测方法,其特征在于,所述根据像素线段中每个像素点为细裂纹边缘像素点的概率获取像素点的增强程度,包括的具体计算方法为:
利用每个合并区域中的像素线段上的像素点为细裂纹边缘点的概率作为指数构建函数,以像素点为中心构建/>窗口获取窗口内的像素点的灰度最大值和灰度最小值,获取窗口内像素点的灰度最大值与灰度最小值之差和灰度最大值与灰度最小值之和的比值,将构建的/>函数与比值相乘获取像素线段上每个像素点的增强程度,/>为预设窗口大小。
7.根据权利要求1所述基于计算机视觉的手机屏幕缺陷智能检测方法,其特征在于,所述根据增强程度对像素点进行增强,获得增强后的手机屏幕表面灰度图像,包括的具体公式为:
其中,表示经过增强后的第/>个合并区域中第/>个线段的第/>个像素点的灰度值,对第/>个合并区域中第/>个线段的第/>个像素点的增强程度,/>表示第/>个合并区域中/>区间对应的第/>个线段的第/>个像素点的初始灰度值,/>为超参数,/>是以自然常数为底的指数函数。
8.根据权利要求1所述基于计算机视觉的手机屏幕缺陷智能检测方法,其特征在于,所述根据每个分块区域中存在裂纹的概率合并分块区域,获得合并区域块,包括的具体方法为:
预设一个裂纹存在概率阈值,以第/>个分块区域为中心的8个邻接区域块中的第/>个邻接分块区域中存在裂纹概率/>,则将第/>个分块区域与以第/>个分块区域为中心的8个邻接区域块中的第/>个邻接分块区域进行合并;计算以第/>个邻接分块区域为中心的8个邻接区域块中存在裂纹的概率,若第/>个邻接区域块的8个邻接区域块中存在裂纹概率大于阈值,则将其与第/>个邻接分块区域继续进行合并,然后以能合并的区域块继续计算邻接分块区域中存在裂纹的概率,将满足合并条件的继续进行合并,直至不存在满足合并条件的分块区域则停止合并,获得合并区域块。
9.根据权利要求1所述基于计算机视觉的手机屏幕缺陷智能检测方法,其特征在于,所述根据增强后的手机屏幕表面灰度图像获取手机屏幕中的裂纹区域,进行缺陷检测,包括的具体方法为:
根据边缘检测算法分割增强后的手机屏幕表面灰度图像,提取手机屏幕表面裂纹区域,通过计算裂纹区域的分布面积大小等获取手机屏幕的裂纹缺陷检测结果。
10.根据权利要求1所述基于计算机视觉的手机屏幕缺陷智能检测方法,其特征在于,所述采集手机屏幕表面图像并进行预处理,获得手机屏幕表面灰度图像,包括的具体方法为:
将手机屏幕熄灭以防止手机亮度对屏幕表面图像的灰度值影响,而后在垂直于屏幕表面图像上方设置工业相机进行拍摄,获取手机屏幕表面图像,为放置噪声点影响,利用平滑算法对手机屏幕表面图像进行平滑处理,最后加权灰度化处理手机屏幕表面图像,获得手机屏幕表面灰度图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311324650.7A CN117078672A (zh) | 2023-10-13 | 2023-10-13 | 基于计算机视觉的手机屏幕缺陷智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311324650.7A CN117078672A (zh) | 2023-10-13 | 2023-10-13 | 基于计算机视觉的手机屏幕缺陷智能检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117078672A true CN117078672A (zh) | 2023-11-17 |
Family
ID=88717384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311324650.7A Pending CN117078672A (zh) | 2023-10-13 | 2023-10-13 | 基于计算机视觉的手机屏幕缺陷智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117078672A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274065A (zh) * | 2023-11-21 | 2023-12-22 | 深圳市芯科云科技有限公司 | 基于双芯片交替处理的智能穿戴手表屏幕显示超分辨方法 |
CN117314916A (zh) * | 2023-11-29 | 2023-12-29 | 宝鸡市钛程金属复合材料有限公司 | 一种基于人工智能的金属复合板爆炸焊接检测方法 |
CN117314912A (zh) * | 2023-11-29 | 2023-12-29 | 山东贞元汽车车轮有限公司 | 一种焊管表面焊接缺陷视觉检测方法及系统 |
CN117455916A (zh) * | 2023-12-25 | 2024-01-26 | 山东太阳耐磨件有限公司 | 一种钢板表面缺陷视觉检测方法 |
CN117557569A (zh) * | 2024-01-12 | 2024-02-13 | 吉林交通职业技术学院 | 一种道路路面施工质量检测方法及系统 |
CN117808799A (zh) * | 2024-02-29 | 2024-04-02 | 天津戎军航空科技发展有限公司 | 基于人工智能的倒角设备加工质量检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106790898A (zh) * | 2016-12-08 | 2017-05-31 | 华中科技大学 | 一种基于显著性分析的手机屏幕坏点自动检测方法和系统 |
CN107688345A (zh) * | 2017-08-29 | 2018-02-13 | 平安科技(深圳)有限公司 | 屏幕状态自动检测机器人、方法及计算机可读存储介质 |
CN115330645A (zh) * | 2022-10-17 | 2022-11-11 | 南通惠尔风机有限公司 | 一种焊接图像增强方法 |
-
2023
- 2023-10-13 CN CN202311324650.7A patent/CN117078672A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106790898A (zh) * | 2016-12-08 | 2017-05-31 | 华中科技大学 | 一种基于显著性分析的手机屏幕坏点自动检测方法和系统 |
CN107688345A (zh) * | 2017-08-29 | 2018-02-13 | 平安科技(深圳)有限公司 | 屏幕状态自动检测机器人、方法及计算机可读存储介质 |
CN115330645A (zh) * | 2022-10-17 | 2022-11-11 | 南通惠尔风机有限公司 | 一种焊接图像增强方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274065A (zh) * | 2023-11-21 | 2023-12-22 | 深圳市芯科云科技有限公司 | 基于双芯片交替处理的智能穿戴手表屏幕显示超分辨方法 |
CN117274065B (zh) * | 2023-11-21 | 2024-02-27 | 深圳市芯科云科技有限公司 | 基于双芯片交替处理的智能穿戴手表屏幕显示超分辨方法 |
CN117314916A (zh) * | 2023-11-29 | 2023-12-29 | 宝鸡市钛程金属复合材料有限公司 | 一种基于人工智能的金属复合板爆炸焊接检测方法 |
CN117314912A (zh) * | 2023-11-29 | 2023-12-29 | 山东贞元汽车车轮有限公司 | 一种焊管表面焊接缺陷视觉检测方法及系统 |
CN117314912B (zh) * | 2023-11-29 | 2024-01-30 | 山东贞元汽车车轮有限公司 | 一种焊管表面焊接缺陷视觉检测方法及系统 |
CN117314916B (zh) * | 2023-11-29 | 2024-01-30 | 宝鸡市钛程金属复合材料有限公司 | 一种基于人工智能的金属复合板爆炸焊接检测方法 |
CN117455916A (zh) * | 2023-12-25 | 2024-01-26 | 山东太阳耐磨件有限公司 | 一种钢板表面缺陷视觉检测方法 |
CN117455916B (zh) * | 2023-12-25 | 2024-03-15 | 山东太阳耐磨件有限公司 | 一种钢板表面缺陷视觉检测方法 |
CN117557569A (zh) * | 2024-01-12 | 2024-02-13 | 吉林交通职业技术学院 | 一种道路路面施工质量检测方法及系统 |
CN117557569B (zh) * | 2024-01-12 | 2024-04-02 | 吉林交通职业技术学院 | 一种道路路面施工质量检测方法及系统 |
CN117808799A (zh) * | 2024-02-29 | 2024-04-02 | 天津戎军航空科技发展有限公司 | 基于人工智能的倒角设备加工质量检测方法 |
CN117808799B (zh) * | 2024-02-29 | 2024-05-07 | 天津戎军航空科技发展有限公司 | 基于人工智能的倒角设备加工质量检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117078672A (zh) | 基于计算机视觉的手机屏幕缺陷智能检测方法 | |
CN116721106B (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
US11580647B1 (en) | Global and local binary pattern image crack segmentation method based on robot vision | |
US10198821B2 (en) | Automated tattoo recognition techniques | |
CN112837290B (zh) | 一种基于种子填充算法的裂缝图像自动识别方法 | |
CN109191472A (zh) | 基于改进U-Net网络的胸腺细胞图像分割方法 | |
CN115908411B (zh) | 基于视觉检测的混凝土养护质量分析方法 | |
CN108711158B (zh) | 基于轮廓拟合和径向分割的指针式仪表图像识别方法 | |
CN116152231B (zh) | 基于图像处理的润滑油内杂质检测方法 | |
CN112149512A (zh) | 一种基于两阶段深度学习的安全帽佩戴识别方法 | |
CN114118144A (zh) | 抗干扰的航空遥感图像阴影精准检测方法 | |
CN116309537A (zh) | 一种极耳模具表面油污的缺陷检测方法 | |
CN113935666B (zh) | 基于图像处理的建筑装饰墙面砖异常评估方法 | |
CN115564771A (zh) | 一种基于建筑物基柱的混凝土裂纹识别方法 | |
CN110175556B (zh) | 基于Sobel算子的遥感图像云检测方法 | |
CN114694144B (zh) | 一种基于深度学习的钢中非金属夹杂物的智能识别和评级方法 | |
CN116385472B (zh) | 一种五金冲压件去毛刺效果评估方法 | |
CN116342586B (zh) | 基于机器视觉的路面质量检测方法 | |
CN110838117A (zh) | 一种基于孔壁图像的岩石面孔隙度识别方法 | |
CN117689655B (zh) | 基于计算机视觉的金属钮扣表面缺陷检测方法 | |
CN109509168B (zh) | 一种针对图像质量客观评测枯叶图的细节自动分析方法 | |
CN106324708B (zh) | 雨量记录图纸的数字化方法、装置 | |
CN116823820B (zh) | 一种铝碳质整体塞棒轮廓弯曲检测方法 | |
CN116703903B (zh) | 一种基于机器视觉的锚杆修复质量检测方法 | |
CN103366376B (zh) | 一种基于邻域尺度变化的图像特征提取方法 |
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 |