CN117252877A - 基于图像特征的二极体导线架质量检测方法 - Google Patents
基于图像特征的二极体导线架质量检测方法 Download PDFInfo
- Publication number
- CN117252877A CN117252877A CN202311533551.XA CN202311533551A CN117252877A CN 117252877 A CN117252877 A CN 117252877A CN 202311533551 A CN202311533551 A CN 202311533551A CN 117252877 A CN117252877 A CN 117252877A
- Authority
- CN
- China
- Prior art keywords
- scratch
- local
- area
- deep
- pixel points
- 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 19
- 230000011218 segmentation Effects 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
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)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本发明涉及图像数据处理技术领域,提出了基于图像特征的二极体导线架质量检测方法,包括:采集二极体导线架的表面灰度图像;对表面灰度图像得到若干局部划痕区域及其他局部区域;根据局部划痕区域中像素点的灰度及梯度,获取像素点的划痕可能性;根据划痕可能性获取局部划痕区域中的浅划痕像素点;根据局部划痕区域中深划痕像素点与浅划痕像素点的灰度及梯度,迭代获取每个局部划痕区域的最终最佳阈值,以及所有其他局部区域的最终最佳阈值;根据最终最佳阈值分割得到机械划痕。本发明旨在解决对二极体导线架通过划痕进行质量检测时由于划痕存在深浅差异导致检测结果不准确的问题。
Description
技术领域
本发明涉及图像数据处理领域,具体涉及基于图像特征的二极体导线架质量检测方法。
背景技术
二极体导线架在生产过程中,因模具表面不够光滑或模具凸出部分过于锐利,导致二极体导线架表面产生机械划痕,严重影响二极体导线架的质量,因此需要对二极体导线架进行及时的质量检测。由于机械划痕与二极体导线架表面存在明显的灰度差异,现有方法中常用迭代阈值分割进行质量检测,然而机械划痕存在深浅差异,深划痕容易通过迭代阈值分割得到,而浅划痕由于灰度差异较小,容易被忽略,进而导致机械划痕的检测存在误差,而浅划痕可能由于磨损形成深划痕,导致二极体导线架更严重的质量问题,因此需要对迭代阈值分割进行优化,保证能够检测到深浅划痕,避免质量检测结果存在误差。
发明内容
本发明提供基于图像特征的二极体导线架质量检测方法,以解决现有的对二极体导线架通过划痕进行质量检测时由于划痕存在深浅差异导致检测结果不准确的问题,所采用的技术方案具体如下:
本发明一个实施例提供了基于图像特征的二极体导线架质量检测方法,该方法包括以下步骤:
采集二极体导线架的表面图像,预处理得到表面灰度图像;
对表面灰度图像通过迭代阈值分割得到若干深划痕像素点,对表面灰度图像进行划分并结合深划痕像素点,得到若干局部划痕区域及其他局部区域;根据局部划痕区域中像素点的灰度及梯度,获取局部划痕区域中除深划痕像素点之外其他每个像素点的划痕可能性;
根据划痕可能性获取局部划痕区域中的浅划痕像素点;根据局部划痕区域中深划痕像素点与浅划痕像素点的灰度及梯度,迭代获取每个局部划痕区域的最终最佳阈值,以及所有其他局部区域的最终最佳阈值;
根据最终最佳阈值分割得到机械划痕。
进一步的,所述预处理得到表面灰度图像,包括的具体方法为:
对二极体导线架的表面图像进行灰度化处理,并对灰度化后的图像通过高斯滤波进行去噪处理,处理后的图像记为表面灰度图像。
进一步的,所述对表面灰度图像通过迭代阈值分割得到若干深划痕像素点,包括的具体方法为:
对表面灰度图像进行迭代阈值分割,设置初始参数及初始阈值,初始阈值采用表面灰度图像中所有像素点的灰度值均值,通过迭代阈值分割,得到最佳阈值,记为初始最佳阈值;将灰度值小于初始最佳阈值的像素点记为深划痕像素点,得到若干深划痕像素点。
进一步的,所述得到若干局部划痕区域及其他局部区域,包括的具体方法为:
对表面灰度图像进行区域划分,将划分得到的区域记为局部区域,将内部存在深划痕像素点的局部区域记为局部划痕区域,不存在深划痕像素点的局部区域记为其他局部区域。
进一步的,所述局部划痕区域中除深划痕像素点之外其他每个像素点的划痕可能性,具体的获取方法为:
根据局部划痕区域中深划痕像素点的梯度,获取每个局部划痕区域的深划痕垂直方向;对于任意一个局部划痕区域,获取该局部划痕区域中除深划痕像素点之外每个像素点的梯度方向,该局部划痕区域中除深划痕像素点之外第个像素点的划痕可能性/>的计算方法为:
其中,表示该局部划痕区域中除深划痕像素点之外第/>个像素点的梯度方向,/>表示该局部划痕区域的深划痕垂直方向,/>表示该局部划痕区域中除深划痕像素点之外第个像素点的灰度值,/>表示该局部划痕区域中所有深划痕像素点的灰度值最大值,/>表示求绝对值,/>为避免分母为0的超参数。
进一步的,所述每个局部划痕区域的深划痕垂直方向,具体的获取方法为:
对于任意一个局部划痕区域,获取该局部划痕区域内每个深划痕像素点的梯度方向,对于任意一个梯度方向,获取该梯度方向与其他梯度方向的夹角的正弦值的均值,将所有梯度方向中得到的均值最小的梯度方向,作为该局部划痕区域的深划痕垂直方向。
进一步的,所述根据划痕可能性获取局部划痕区域中的浅划痕像素点,包括的具体方法为:
预设划痕阈值,对于任意一个局部划痕区域,将该局部划痕区域中划痕可能性大于或等于划痕阈值的像素点,记为浅划痕像素点。
进一步的,所述迭代获取每个局部划痕区域的最终最佳阈值,以及所有其他局部区域的最终最佳阈值,包括的具体方法为:
对于任意一个局部划痕区域,获取该局部划痕区域中若干浅划痕像素点,根据若干浅划痕像素点的梯度方向,获取该局部划痕区域的浅划痕垂直方向;将该局部划痕区域当前得到的深划痕像素点及浅划痕像素点的分割情况作为第一次迭代;
根据深划痕垂直方向、浅划痕垂直方向及深划痕像素点与浅划痕像素点的灰度值,得到局部划痕区域每次迭代下的阈值;
对于该局部划痕区域第一次迭代得到新的阈值后,小于阈值的作为新的深划痕像素点,计算深划痕垂直方向,重新计算划痕可能性,再得到新的若干浅划痕像素点及浅划痕垂直方向,计算得到第二次迭代下的阈值;对该局部划痕区域进行迭代阈值分割,得到该局部划痕区域的最佳阈值,记为该局部划痕区域的最终最佳阈值;
获取每个局部划痕区域的最终最佳阈值,将所有最终最佳阈值的均值,作为所有其他局部区域的最终最佳阈值。
进一步的,所述得到局部划痕区域每次迭代下的阈值,包括的具体方法为:
对于任意一个局部划痕区域,该局部划痕区域第次迭代下的阈值/>的计算方法为:
其中,表示该局部划痕区域第/>次迭代下的调整权重,/>表示该局部划痕区域第/>次迭代下得到的所有浅划痕像素点的灰度值均值,/>表示该局部划痕区域第/>次迭代下除深划痕像素点及浅划痕像素点之外其他像素点的灰度值均值;/>表示该局部划痕区域第/>次迭代下的浅划痕垂直方向,/>表示该局部划痕区域第/>次迭代下的深划痕垂直方向,/>表示该局部划痕区域第/>次迭代下得到的所有深划痕像素点的灰度值均值,/>表示求绝对值,/>为避免分母为0的超参数。
进一步的,所述根据最终最佳阈值分割得到机械划痕,包括的具体方法为:
对于任意一个局部划痕区域或其他局部区域,通过该区域的最终最佳阈值进行阈值分割,将灰度值小于最终最佳阈值的像素点组成的区域作为前景区域,记为机械划痕;将灰度值大于或等于最终最佳阈值的像素点组成的区域作为背景区域;
对每个局部划痕区域或其他局部区域得到机械划痕的前景区域及背景区域。
本发明的有益效果是:本发明通过对二极体导线架的表面灰度图像进行优化的迭代阈值分割,根据分割结果得到机械划痕,实现对二极体导线架的质量检测;其中在传统迭代阈值分割后,通过对表面灰度图像进行区域划分,得到包含深划痕像素点的局部划痕区域及不包含深划痕像素点的其他局部区域,通过对局部划痕区域内部像素点分析其与深划痕像素点在梯度及灰度上的一致性,量化得到划痕可能性,通过划痕可能性反映像素点为浅划痕的概率,进而得到浅划痕,再根据浅划痕与深划痕在局部划痕区域的梯度与灰度差异,对局部划痕区域进行迭代的阈值获取,使得局部范围内浅划痕与深划痕在灰度变化上逐渐趋于一致,进而得到最终最佳阈值,通过最终最佳阈值分割得到机械划痕,使得二极体导线架表面的机械划痕不会由于灰度差异而不能完全检测,进而提高二极体导线架的质量检测结果的准确性。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的基于图像特征的二极体导线架质量检测方法流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,其示出了本发明一个实施例所提供的基于图像特征的二极体导线架质量检测方法流程图,该方法包括以下步骤:
步骤S001、采集二极体导线架的表面图像,预处理得到表面灰度图像。
本实施例的目的是对二极体导线架进行质量检测,因此首先需要采集二极体导线架的表面图像;本实施例通过在传送带上方安装工业相机,对二极体导线架表面进行拍摄,同时由于二极体导线架为金属材质,受光照影响较大,因此在传送带上方固定光源;拍摄到二极体导线架的图像后,通过语义分割网络获取其中的二极体导线架的表面部分,作为二极体导线架的表面图像,其中语义分割网络对图像进行分割为公知技术,本实施例不再赘述;对二极体导线架的表面图像进行灰度化处理,并对灰度化后的图像通过高斯滤波进行去噪处理,处理后的图像记为表面灰度图像。
至此,采集到了二极体导线架的表面灰度图像。
步骤S002、对表面灰度图像通过迭代阈值分割得到若干深划痕像素点,对表面灰度图像进行划分并结合深划痕像素点,得到若干局部划痕区域及其他局部区域;根据局部划痕区域中像素点的灰度及梯度,获取局部划痕区域中除深划痕像素点之外其他每个像素点的划痕可能性。
需要说明的是,对表面灰度图像通过迭代阈值分割后,深划痕由于与表面较大的灰度差异,会全部被分割得到,而浅划痕由于与表面的灰度差异不明显,进而会导致部分浅划痕存在于前景区域中,部分浅划痕存在于背景区域中未被分割;因此需要通过对表面灰度图像进行分块,得到若干局部区域,通过分析存在深划痕的局部划痕区域中像素点的灰度与梯度,判断除深划痕上像素点之外,其他每个像素点的灰度与梯度是否与深划痕上像素点的灰度与梯度相似,越相似越可能是未被分割出来的浅划痕,即局部范围内划痕的方向差异较小,趋于一致,则利用该种特征进行划痕可能性分析。
具体的,对表面灰度图像进行迭代阈值分割,迭代阈值分割需要设置初始参数及初始阈值,初始参数即为迭代阈值分割停止的预设值,本实施例初始参数采用20进行叙述,初始阈值采用表面灰度图像中所有像素点的灰度值均值,则通过迭代阈值分割,得到最佳阈值,记为初始最佳阈值,将灰度值小于初始最佳阈值的像素点记为深划痕像素点,其他像素点组成背景区域,则得到了若干深划痕像素点。
进一步的,对表面灰度图像进行区域划分,本实施例共划分5×5=25个区域,将划分得到的区域记为局部区域,将内部存在深划痕像素点的局部区域记为局部划痕区域,不存在深划痕像素点的局部区域记为其他局部区域;对于任意一个局部划痕区域,获取该局部划痕区域内每个深划痕像素点的梯度方向,对于任意一个梯度方向,获取该梯度方向与其他梯度方向的夹角的正弦值的均值,将所有梯度方向中得到的均值最小的梯度方向,作为该局部划痕区域的深划痕垂直方向;对该局部划痕区域除深划痕像素点之外每个像素点获取梯度方向,则该局部划痕区域中除深划痕像素点之外第个像素点的划痕可能性/>的计算方法为:
其中,表示该局部划痕区域中除深划痕像素点之外第/>个像素点的梯度方向,/>表示该局部划痕区域的深划痕垂直方向,/>表示该局部划痕区域中除深划痕像素点之外第个像素点的灰度值,/>表示该局部划痕区域中所有深划痕像素点的灰度值最大值,/>表示求绝对值,/>为避免分母为0的超参数,本实施例采用/>进行叙述;通过像素点的梯度方向与深划痕垂直方向的夹角进行判断,夹角越接近0°或180°,梯度方向与深划痕垂直方向或反方向越一致,像素点的灰度变化方向越符合局部划痕区域内划痕部分的灰度变化方向,划痕可能性越大;同时像素点的灰度值与深划痕像素点的灰度值最大值的差异越小,其越可能为未被分割出来的划痕像素点,划痕可能性越大;按照上述方法获取该局部划痕区域中除深划痕像素点之外每个像素点的划痕可能性。
至此,获取到深划痕及局部划痕区域,并对局部划痕区域中除深划痕像素点之外每个像素点计算了划痕可能性。
步骤S003、根据划痕可能性获取局部划痕区域中的浅划痕像素点;根据局部划痕区域中深划痕像素点与浅划痕像素点的灰度及梯度,迭代获取每个局部划痕区域的最终最佳阈值,以及所有其他局部区域的最终最佳阈值。
需要说明的是,获取到划痕可能性后,则可以得到浅划痕像素点与浅划痕,根据局部划痕区域内浅划痕像素点的梯度方向,以及深划痕垂直方向,结合灰度差异进行阈值迭代,阈值不断变化并使得得到的深浅划痕逐渐趋于一致,最终得到最终最佳阈值;而对于大量不存在深划痕像素点的其他局部区域,其中同样可能存在浅划痕,则根据局部划痕区域的最终最佳阈值,获取这些其他局部区域的最终最佳阈值。
具体的,预设划痕阈值,本实施例划痕阈值采用0.65进行叙述,对于任意一个局部划痕区域,将该局部划痕区域中划痕可能性大于或等于0.65的像素点,记为浅划痕像素点;根据若干浅划痕像素点的梯度方向,按照深划痕垂直方向的计算方法,获取该局部划痕区域的浅划痕垂直方向,将该局部划痕区域当前得到的深划痕像素点及浅划痕像素点的分割情况作为第一次迭代,则该局部划痕区域第次迭代下的阈值/>的计算方法为:
其中,表示该局部划痕区域第/>次迭代下的调整权重,/>表示该局部划痕区域第/>次迭代下得到的所有浅划痕像素点的灰度值均值,/>表示该局部划痕区域第/>次迭代下除深划痕像素点及浅划痕像素点之外其他像素点的灰度值均值;/>表示该局部划痕区域第/>次迭代下的浅划痕垂直方向,/>表示该局部划痕区域第/>次迭代下的深划痕垂直方向,/>表示该局部划痕区域第/>次迭代下得到的所有深划痕像素点的灰度值均值,/>表示求绝对值,/>为避免分母为0的超参数,本实施例采用/>进行叙述;深浅划痕的垂直方向的夹角越趋近0°或180°,深浅划痕的灰度变化方向越趋近一致,相应的此时无需调整过大的阈值,则需要对浅划痕像素点的灰度值均值更多权重;而深浅划痕的灰度值均值的差异越小,浅划痕检测得到的效果越好,同样无需过多调整阈值。
进一步的,对于该局部划痕区域第一次迭代得到新的阈值后,小于阈值的作为新的深划痕像素点,按照上述方法计算深划痕垂直方向,并重新计算划痕可能性,再得到新的若干浅划痕像素点及浅划痕垂直方向,计算得到第二次迭代下的阈值;则根据步骤S002已经设置的初始参数,对该局部划痕区域按照上述方法进行迭代阈值分割,得到该局部划痕区域的最佳阈值,记为该局部划痕区域的最终最佳阈值;按照上述方法获取每个局部划痕区域的最终最佳阈值,将所有最终最佳阈值的均值,作为所有其他局部区域的最终最佳阈值。
至此,通过划痕可能性获取浅划痕,并与深划痕在梯度及灰度上进行比对,通过迭代阈值分割,最终得到每个局部区域的最终最佳阈值。
步骤S004、根据最终最佳阈值分割得到机械划痕。
对于任意一个局部划痕区域或其他局部区域,通过该区域的最终最佳阈值进行阈值分割,将灰度值小于最终最佳阈值的像素点组成的区域作为前景区域,记为机械划痕;将灰度值大于或等于最终最佳阈值的像素点组成的区域作为背景区域;按照上述方法对每个局部划痕区域或其他局部区域得到机械划痕的前景区域及背景区域,则对二极体导线架的表面灰度图像完成了机械划痕的检测,根据检测到的机械划痕对二极体导线架进行质量评估,质量评估非本发明重点,本实施例不再赘述。
至此,通过对二极体导线架的表面灰度图像进行优化的迭代阈值分割,得到最终最佳阈值,通过最终最佳阈值分割得到机械划痕,避免划痕过浅难以检测而影响二极体导线架的质量检测结果,最终完成对二极体导线架的质量检测。
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.基于图像特征的二极体导线架质量检测方法,其特征在于,该方法包括以下步骤:
采集二极体导线架的表面图像,预处理得到表面灰度图像;
对表面灰度图像通过迭代阈值分割得到若干深划痕像素点,对表面灰度图像进行划分并结合深划痕像素点,得到若干局部划痕区域及其他局部区域;根据局部划痕区域中像素点的灰度及梯度,获取局部划痕区域中除深划痕像素点之外其他每个像素点的划痕可能性;
根据划痕可能性获取局部划痕区域中的浅划痕像素点;根据局部划痕区域中深划痕像素点与浅划痕像素点的灰度及梯度,迭代获取每个局部划痕区域的最终最佳阈值,以及所有其他局部区域的最终最佳阈值;
根据最终最佳阈值分割得到机械划痕。
2.根据权利要求1所述的基于图像特征的二极体导线架质量检测方法,其特征在于,所述预处理得到表面灰度图像,包括的具体方法为:
对二极体导线架的表面图像进行灰度化处理,并对灰度化后的图像通过高斯滤波进行去噪处理,处理后的图像记为表面灰度图像。
3.根据权利要求1所述的基于图像特征的二极体导线架质量检测方法,其特征在于,所述对表面灰度图像通过迭代阈值分割得到若干深划痕像素点,包括的具体方法为:
对表面灰度图像进行迭代阈值分割,设置初始参数及初始阈值,初始阈值采用表面灰度图像中所有像素点的灰度值均值,通过迭代阈值分割,得到最佳阈值,记为初始最佳阈值;将灰度值小于初始最佳阈值的像素点记为深划痕像素点,得到若干深划痕像素点。
4.根据权利要求1所述的基于图像特征的二极体导线架质量检测方法,其特征在于,所述得到若干局部划痕区域及其他局部区域,包括的具体方法为:
对表面灰度图像进行区域划分,将划分得到的区域记为局部区域,将内部存在深划痕像素点的局部区域记为局部划痕区域,不存在深划痕像素点的局部区域记为其他局部区域。
5.根据权利要求1所述的基于图像特征的二极体导线架质量检测方法,其特征在于,所述局部划痕区域中除深划痕像素点之外其他每个像素点的划痕可能性,具体的获取方法为:
根据局部划痕区域中深划痕像素点的梯度,获取每个局部划痕区域的深划痕垂直方向;对于任意一个局部划痕区域,获取该局部划痕区域中除深划痕像素点之外每个像素点的梯度方向,该局部划痕区域中除深划痕像素点之外第个像素点的划痕可能性/>的计算方法为:
其中,表示该局部划痕区域中除深划痕像素点之外第/>个像素点的梯度方向,/>表示该局部划痕区域的深划痕垂直方向,/>表示该局部划痕区域中除深划痕像素点之外第/>个像素点的灰度值,/>表示该局部划痕区域中所有深划痕像素点的灰度值最大值,/>表示求绝对值,/>为避免分母为0的超参数。
6.根据权利要求5所述的基于图像特征的二极体导线架质量检测方法,其特征在于,所述每个局部划痕区域的深划痕垂直方向,具体的获取方法为:
对于任意一个局部划痕区域,获取该局部划痕区域内每个深划痕像素点的梯度方向,对于任意一个梯度方向,获取该梯度方向与其他梯度方向的夹角的正弦值的均值,将所有梯度方向中得到的均值最小的梯度方向,作为该局部划痕区域的深划痕垂直方向。
7.根据权利要求1所述的基于图像特征的二极体导线架质量检测方法,其特征在于,所述根据划痕可能性获取局部划痕区域中的浅划痕像素点,包括的具体方法为:
预设划痕阈值,对于任意一个局部划痕区域,将该局部划痕区域中划痕可能性大于或等于划痕阈值的像素点,记为浅划痕像素点。
8.根据权利要求6所述的基于图像特征的二极体导线架质量检测方法,其特征在于,所述迭代获取每个局部划痕区域的最终最佳阈值,以及所有其他局部区域的最终最佳阈值,包括的具体方法为:
对于任意一个局部划痕区域,获取该局部划痕区域中若干浅划痕像素点,根据若干浅划痕像素点的梯度方向,获取该局部划痕区域的浅划痕垂直方向;将该局部划痕区域当前得到的深划痕像素点及浅划痕像素点的分割情况作为第一次迭代;
根据深划痕垂直方向、浅划痕垂直方向及深划痕像素点与浅划痕像素点的灰度值,得到局部划痕区域每次迭代下的阈值;
对于该局部划痕区域第一次迭代得到新的阈值后,小于阈值的作为新的深划痕像素点,计算深划痕垂直方向,重新计算划痕可能性,再得到新的若干浅划痕像素点及浅划痕垂直方向,计算得到第二次迭代下的阈值;对该局部划痕区域进行迭代阈值分割,得到该局部划痕区域的最佳阈值,记为该局部划痕区域的最终最佳阈值;
获取每个局部划痕区域的最终最佳阈值,将所有最终最佳阈值的均值,作为所有其他局部区域的最终最佳阈值。
9.根据权利要求8所述的基于图像特征的二极体导线架质量检测方法,其特征在于,所述得到局部划痕区域每次迭代下的阈值,包括的具体方法为:
对于任意一个局部划痕区域,该局部划痕区域第次迭代下的阈值/>的计算方法为:
其中,表示该局部划痕区域第/>次迭代下的调整权重,/>表示该局部划痕区域第/>次迭代下得到的所有浅划痕像素点的灰度值均值,/>表示该局部划痕区域第/>次迭代下除深划痕像素点及浅划痕像素点之外其他像素点的灰度值均值;/>表示该局部划痕区域第/>次迭代下的浅划痕垂直方向,/>表示该局部划痕区域第/>次迭代下的深划痕垂直方向,/>表示该局部划痕区域第/>次迭代下得到的所有深划痕像素点的灰度值均值,/>表示求绝对值,为避免分母为0的超参数。
10.根据权利要求1所述的基于图像特征的二极体导线架质量检测方法,其特征在于,所述根据最终最佳阈值分割得到机械划痕,包括的具体方法为:
对于任意一个局部划痕区域或其他局部区域,通过该区域的最终最佳阈值进行阈值分割,将灰度值小于最终最佳阈值的像素点组成的区域作为前景区域,记为机械划痕;将灰度值大于或等于最终最佳阈值的像素点组成的区域作为背景区域;
对每个局部划痕区域或其他局部区域得到机械划痕的前景区域及背景区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311533551.XA CN117252877B (zh) | 2023-11-17 | 2023-11-17 | 基于图像特征的二极体导线架质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311533551.XA CN117252877B (zh) | 2023-11-17 | 2023-11-17 | 基于图像特征的二极体导线架质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117252877A true CN117252877A (zh) | 2023-12-19 |
CN117252877B CN117252877B (zh) | 2024-02-02 |
Family
ID=89131734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311533551.XA Active CN117252877B (zh) | 2023-11-17 | 2023-11-17 | 基于图像特征的二极体导线架质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117252877B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107255641A (zh) * | 2017-06-06 | 2017-10-17 | 西安理工大学 | 一种针对自聚焦透镜表面缺陷进行机器视觉检测的方法 |
CN111703094A (zh) * | 2020-06-30 | 2020-09-25 | 杭州容旗科技有限公司 | 一种塑料件表面划痕修复装置 |
WO2021003824A1 (zh) * | 2019-07-11 | 2021-01-14 | 平安科技(深圳)有限公司 | 基于图像识别的违章建筑识别方法、装置 |
CN114998337A (zh) * | 2022-08-03 | 2022-09-02 | 联宝(合肥)电子科技有限公司 | 一种划痕检测方法、装置、设备及存储介质 |
CN115020267A (zh) * | 2022-08-05 | 2022-09-06 | 启东旺晟电子科技有限公司 | 一种半导体表面缺陷检测方法 |
CN115147414A (zh) * | 2022-09-01 | 2022-10-04 | 南通三信塑胶装备科技股份有限公司 | 一种双极型功率晶体管表面击穿缺陷检测方法 |
CN115511907A (zh) * | 2022-11-24 | 2022-12-23 | 深圳市晶台股份有限公司 | 一种用于led屏幕的划痕检测方法 |
CN115880248A (zh) * | 2022-12-13 | 2023-03-31 | 哈尔滨耐是智能科技有限公司 | 一种表面划痕缺陷识别方法及视觉检测设备 |
CN116309600A (zh) * | 2023-05-24 | 2023-06-23 | 山东金佳成工程材料有限公司 | 基于图像处理的环保纺织品质量检测方法 |
WO2023134793A2 (zh) * | 2022-12-13 | 2023-07-20 | 苏州迈创信息技术有限公司 | 基于机器视觉机床零件在线检测方法 |
WO2023134792A2 (zh) * | 2022-12-15 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
-
2023
- 2023-11-17 CN CN202311533551.XA patent/CN117252877B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107255641A (zh) * | 2017-06-06 | 2017-10-17 | 西安理工大学 | 一种针对自聚焦透镜表面缺陷进行机器视觉检测的方法 |
WO2021003824A1 (zh) * | 2019-07-11 | 2021-01-14 | 平安科技(深圳)有限公司 | 基于图像识别的违章建筑识别方法、装置 |
CN111703094A (zh) * | 2020-06-30 | 2020-09-25 | 杭州容旗科技有限公司 | 一种塑料件表面划痕修复装置 |
CN114998337A (zh) * | 2022-08-03 | 2022-09-02 | 联宝(合肥)电子科技有限公司 | 一种划痕检测方法、装置、设备及存储介质 |
CN115020267A (zh) * | 2022-08-05 | 2022-09-06 | 启东旺晟电子科技有限公司 | 一种半导体表面缺陷检测方法 |
CN115147414A (zh) * | 2022-09-01 | 2022-10-04 | 南通三信塑胶装备科技股份有限公司 | 一种双极型功率晶体管表面击穿缺陷检测方法 |
CN115511907A (zh) * | 2022-11-24 | 2022-12-23 | 深圳市晶台股份有限公司 | 一种用于led屏幕的划痕检测方法 |
CN115880248A (zh) * | 2022-12-13 | 2023-03-31 | 哈尔滨耐是智能科技有限公司 | 一种表面划痕缺陷识别方法及视觉检测设备 |
WO2023134793A2 (zh) * | 2022-12-13 | 2023-07-20 | 苏州迈创信息技术有限公司 | 基于机器视觉机床零件在线检测方法 |
WO2023134792A2 (zh) * | 2022-12-15 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
CN116309600A (zh) * | 2023-05-24 | 2023-06-23 | 山东金佳成工程材料有限公司 | 基于图像处理的环保纺织品质量检测方法 |
Non-Patent Citations (3)
Title |
---|
C.J. BARR 等: "New technique for the quantification of scratch visibility on polymeric textured surfaces", 《WEAR》, pages 84 - 94 * |
刘明 等: "基于水平集方法的划痕形状表面视觉测量", 《仪器仪表学报》, vol. 41, no. 2, pages 184 - 194 * |
李晨: "基于机器视觉的不同属性表面中微弱缺陷的检测技术研究", 《中国博士学位论文全文数据库 信息科技辑》, vol. 2019, no. 4, pages 138 - 14 * |
Also Published As
Publication number | Publication date |
---|---|
CN117252877B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115222741A (zh) | 一种电缆表面缺陷检测方法 | |
CN115239704B (zh) | 一种木材表面缺陷的精准检测修复方法 | |
CN116843678B (zh) | 一种硬碳电极生产质量检测方法 | |
CN109658402A (zh) | 基于计算机视觉成像的工业型材几何尺寸自动检测方法 | |
CN116703898B (zh) | 一种精密机械轴承端面的质量检测方法 | |
CN108629790B (zh) | 一种基于深度残差网络的光条图像阈值分割方法 | |
CN115131359B (zh) | 一种金属加工件表面麻点缺陷检测方法 | |
CN116703251B (zh) | 基于人工智能的胶圈生产质量检测方法 | |
CN116309599B (zh) | 基于污水前置处理的水质视觉监测方法 | |
CN116152262B (zh) | 一种离子性中间膜外观缺陷检测方法 | |
CN115546155A (zh) | 一种基于机器视觉的铆钉尺寸检测方法 | |
CN117611563B (zh) | 一种基于图像处理的塑胶模具生产缺陷检测方法 | |
CN114529538A (zh) | 基于人工智能和高斯混合模型的纺织物表面缺陷检测方法 | |
CN116309577B (zh) | 一种高强传送带物料智能检测方法及系统 | |
CN115797361B (zh) | 一种铝模板表面缺陷检测方法 | |
CN115115603A (zh) | 基于人工智能的汽车配件飞轮表面检测方法 | |
CN114119603A (zh) | 基于图像处理的快餐盒短射缺陷检测方法 | |
CN117197140A (zh) | 基于机器视觉的不规则金属扣成型检测方法 | |
CN117495849A (zh) | 基于图像特征的电源适配器质量检测方法 | |
CN115880280A (zh) | 一种钢结构焊缝质量的检测方法 | |
CN117541582B (zh) | 一种高频变频器igbt绝缘质量检测方法 | |
CN111815575B (zh) | 一种基于机器视觉的轴承钢珠零件检测方法 | |
CN117252877B (zh) | 基于图像特征的二极体导线架质量检测方法 | |
CN117437228A (zh) | 基于图像特征的光伏钢结构组件断裂检测方法 | |
CN111192261A (zh) | 一种镜片疵病类型识别的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |