CN117269179B - 基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法和系统 - Google Patents
基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法和系统 Download PDFInfo
- Publication number
- CN117269179B CN117269179B CN202311568814.0A CN202311568814A CN117269179B CN 117269179 B CN117269179 B CN 117269179B CN 202311568814 A CN202311568814 A CN 202311568814A CN 117269179 B CN117269179 B CN 117269179B
- Authority
- CN
- China
- Prior art keywords
- image
- contact lens
- polar coordinate
- flaw
- contour
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 68
- 230000007547 defect Effects 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 117
- 230000008569 process Effects 0.000 claims abstract description 71
- 230000009466 transformation Effects 0.000 claims abstract description 54
- 238000001914 filtration Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims description 25
- 238000001228 spectrum Methods 0.000 claims description 22
- 230000009467 reduction Effects 0.000 claims description 20
- 238000006243 chemical reaction Methods 0.000 claims description 18
- 238000002372 labelling Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 8
- 238000005520 cutting process Methods 0.000 claims description 4
- 230000002950 deficient Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/958—Inspecting transparent materials or objects, e.g. windscreens
-
- 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/8874—Taking dimensions of defect into account
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法和系统,通过先对隐形眼镜图像进行降噪预处理,然后对降噪预处理后的图像进行边缘提取,得到镜片边缘图像和镜片边缘图像的几何参数。接着基于镜片边缘图像的几何参数对过程图像、镜片边缘图像分别执行极坐标变换,得到第一极坐标图像和第二极坐标图像,并对第二极坐标图像执行快速傅里叶变换处理并进行进一步滤波,得到滤波后图像。然后对滤波后图像经傅里叶逆变换处理,得到高频特征图像。最后再通过提取几何特征和灰度特征,通过对比判断几何特征和灰度特征是否符合瑕疵定义,进而对隐形眼镜边缘缺陷进行高精度地检测。本申请可以有效地去除噪声干扰,使得检测结果更精确。
Description
技术领域
本发明涉及机器视觉技术领域,具体是基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法和系统。
背景技术
隐形眼镜的主要制造方式包含车削、铸模等,由于镜片材料的柔韧度不同,使得生产过程中易出现边裂,边缺,毛刺等边缘瑕疵。因此,需要对隐形眼镜进行边缘缺陷检测。
但是现有的隐形眼镜边缘瑕疵检测方法,如公开专利:一种隐形眼镜边缘缺陷的检测方法(CN112529876A)。该方法使用的多次投影的方法极易受到环境噪声的干扰,使得检测精度不高,对成像环境有较高的需求,普适性不高。
发明内容
有鉴于此,本发明的目的是提供基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法和系统,以解决现有技术中检测方法容易受到环境噪声的干扰的问题。
为了实现上述目的,本发明采用了如下技术方案:
本发明的基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法,包括:
获取隐形眼镜图像,其中,所述隐形眼镜图像为从相机中读取的图像;
对所述隐形眼镜图像进行降噪预处理,得到过程图像;
对所述过程图像进行边缘特征提取,得到镜片边缘图像和所述镜片边缘图像的几何参数;
基于所述镜片边缘图像的几何参数对所述过程图像、所述镜片边缘图像分别执行极坐标变换,得到第一极坐标图像和第二极坐标图像,并对所述第二极坐标图像执行快速傅里叶变换处理和进一步滤波,得到高频特征图像;
提取所述高频特征图像中每个目标轮廓的几何特征,并基于所述高频特征图像提取第一极坐标图像和第二极坐标图像中每个目标轮廓的灰度特征;
将每个目标轮廓的几何特征、灰度特征与预先构建的瑕疵定义进行对比,并基于每个目标轮廓的对比结果判断所述隐形眼镜图像是否为瑕疵图像。
在本申请一实施例中,对所述隐形眼镜图像进行降噪预处理,得到过程图像,包括:
对所述隐形眼镜图像进行格式转换,得到目标格式图像;
对所述目标格式图像进行灰度转换,得到灰度图像;
对所述灰度图像进行高斯滤波处理,得到过程图像。
在本申请一实施例中,对所述过程图像进行边缘特征提取,得到镜片边缘图像和所述镜片边缘图像的几何参数,包括:
基于边缘提取算子对所述过程图像进行边缘提取,得到包含轮廓特征的初步边缘图像和所述初步边缘图像对应的二值化图像;
基于预先配置的镜片尺寸参数对所述二值化图像进行筛选,并在所述二值化图像满足预先配置的镜片尺寸参数时,对所述初步边缘图像的轮廓特征进行拟合,得到拟合轮廓,其中,所述预先配置的镜片尺寸参数包括最长直径区间、最短直径区间、长短轴差值区间和长宽比;
基于预先配置的镜片尺寸参数对所述初步边缘图像进行筛选,在所述拟合轮廓满足预先配置的镜片尺寸参数时,基于所述拟合轮廓构建模板图像;
基于所述模板图像对所述初步边缘图像进行裁切,得到镜片边缘图像和所述镜片边缘图像的几何参数。
在本申请一实施例中,对所述第二极坐标图像执行快速傅里叶变换处理,得到高频特征图像,包括:
对所述第二极坐标图像进行快速傅里叶变换,得到频谱图像;
基于预先构建的高通滤波器对所述频谱图像进行滤波,得到滤波后的频谱图像;
对所述滤波后的频谱图像进行快速傅里叶逆变换,得到高频特征图像。
在本申请一实施例中,对所述过程图像或者所述镜片边缘图像执行极坐标变换的变换公式为:
式中,为所述过程图像或者所述镜片边缘图像中像素点的横坐标,为所述过程
图像或者所述镜片边缘图像中像素点的纵坐标,为所述第一极坐标图像或者所述第二极
坐标图像中对应像素点的极径,为所述第一极坐标图像或者所述第二极坐标图像中对应
像素点的极角;
其中,对所述过程图像或者所述镜片边缘图像执行极坐标变换所需的圆心为所述
镜片边缘图像的几何参数中的镜片椭圆轮廓的中心坐标,所需的半径为:,所需的采样角度和插值方式预先配置;为所述镜片边缘图像的几
何参数中的镜片椭圆轮廓的长轴,为所述镜片边缘图像的几何参数中的镜片椭圆轮廓的
短轴,为平均值运算。
在本申请一实施例中,提取所述高频特征图像中每个目标轮廓的几何特征,并基于所述高频特征图像提取第一极坐标图像和第二极坐标图像中每个目标轮廓的灰度特征,包括:
基于预先配置的灰度阈值对所述高频特征图像进行二值化处理,得到二值化图像;
对所述二值化图像中的所有轮廓进行提取,得到轮廓集合;
提取所述轮廓集合中目标轮廓的几何特征和包围盒,其中,所述目标轮廓为面积大于预设面积阈值的轮廓,所述目标轮廓的几何特征包括轮廓尺寸、轮廓密度、长宽比、圆度和圆形率;
基于所述目标轮廓的包围盒对所述第一极坐标图像和所述第二极坐标图像进行裁剪,得到第一图块和第二图块;
提取所述第一图块的平均灰度值、灰度值方差、最小灰度值、最大灰度值、和中心位置的灰度值,并提取所述第二图块的梯度平均值,得到灰度特征。
在本申请一实施例中,所述瑕疵定义包括几何瑕疵定义和灰度瑕疵定义,将每个目标轮廓的几何特征、灰度特征与预先构建的瑕疵定义进行对比,并基于每个目标轮廓的对比结果判断所述隐形眼镜图像是否为瑕疵图像,包括:
将每个目标轮廓的几何特征与预先构建的几何瑕疵定义进行对比,将符合几何瑕疵定义的目标轮廓与灰度瑕疵定义进行对比,得到符合几何瑕疵定义和灰度瑕疵定义的瑕疵轮廓;
其中,所述几何瑕疵定义为同时满足:所述轮廓尺寸大于预设的最短检出尺寸,所述轮廓密度在预设的检出密度区间内,所述长宽比在预设的检出长宽比区间内,所述圆度在预设的检出圆度区间内,所述圆形率在预设的检出圆形率区间内;
所述灰度瑕疵定义为同时满足:所述平均灰度值大于预设的检出灰度值区间内,所述灰度值方差在预设的检出方差区间内,所述梯度平均值在预设的检出梯度区间内,所述最小灰度值大于预设的最小检出灰度值,所述最大灰度值小于预设的最大检出灰度值,所述中心位置的灰度值大于预设的中心检出灰度值;
在瑕疵轮廓的数量大于0时,判定所述隐形眼镜图像为瑕疵图像,否则判定所述隐形眼镜图像不为瑕疵图像。
在本申请一实施例中,对所述二值化图像中的所有轮廓进行提取,得到轮廓集合之后,还包括:
提取所述轮廓集合中目标轮廓的最小外接矩形。
在本申请一实施例中,还包括:
获取每个瑕疵轮廓的最小外接矩形的四个顶点;
对所述四个顶点进行极坐标逆变换,得到图像坐标系中的四个顶
点,其中,极坐标逆变换的数学表达式为:
式中,为极坐标中镜片椭圆
轮廓的中心坐标,为极坐标中镜片椭圆轮廓的半径,为极坐标转换时的采样数,为顶点的坐标,为顶点的坐标;
基于所述四个顶点构建标注框,并基于所述标注框对所述隐形眼镜图像进行标注;
将标注后的隐形眼镜图像、所述隐形眼镜图像的判断结果、标注的瑕疵轮廓的几何特征、标注的瑕疵轮廓的灰度特征以及瑕疵定义进行输出。
本申请还提供基于机器视觉的隐形眼镜边缘缺陷的高精度检测系统,包括:
获取模块,用于获取隐形眼镜图像,其中,所述隐形眼镜图像为从相机中读取的图像;
预处理模块,用于对所述隐形眼镜图像进行降噪预处理,得到过程图像;
边缘提取模块,用于对所述过程图像进行边缘特征提取,得到镜片边缘图像和所述镜片边缘图像的几何参数;
变换处理模块,用于基于所述镜片边缘图像的几何参数对所述过程图像、所述镜片边缘图像分别执行极坐标变换,得到第一极坐标图像和第二极坐标图像,并对所述第二极坐标图像执行快速傅里叶变换处理和进一步滤波,得到高频特征图像;
特征提取模块,用于提取所述高频特征图像中每个目标轮廓的几何特征,并基于所述高频特征图像提取第一极坐标图像和第二极坐标图像中每个目标轮廓的灰度特征;
判断模块,用于将每个目标轮廓的几何特征、灰度特征与预先构建的瑕疵定义进行对比,并基于每个目标轮廓的对比结果判断所述隐形眼镜图像是否为瑕疵图像。
本发明的有益效果是:本发明的基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法和系统,通过先对隐形眼镜图像进行降噪预处理,然后对降噪预处理后的图像进行边缘提取,得到镜片边缘图像和镜片边缘图像的几何参数。接着基于镜片边缘图像的几何参数对过程图像、镜片边缘图像分别执行极坐标变换,得到第一极坐标图像和第二极坐标图像,并对第二极坐标图像执行快速傅里叶变换处理并进行进一步滤波,得到滤波后图像。然后对滤波后图像经傅里叶逆变换处理,得到高频特征图像。最后再通过提取几何特征和灰度特征,通过对比判断几何特征和灰度特征是否符合瑕疵定义,进而对隐形眼镜边缘缺陷进行高精度地检测。本申请可以有效地去除噪声干扰,使得检测结果更精确。
附图说明
下面结合附图和实施例对本发明作进一步描述:
图 1 为本发明一实施例中的基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法的流程图;
图2是本申请一实施例中示出的降噪预处理的流程图;
图3是本申请一实施例中示出的对过程图像进行边缘提取的流程图;
图4是本申请一实施例中示出的极坐标变换和FFT处理的流程图;
图5是本申请一实施例中示出的特征提取的总体流程图;
图6是本申请一实施例中示出的遍历轮廓几何进行特征提取的流程图;
图7是本申请一实施例中示出的瑕疵判断的流程图;
图8是本申请一实施例中示出的标注图像的流程图;
图9为本发明一实施例中的基于机器视觉的隐形眼镜边缘缺陷的高精度检测系统的结构图。
实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的层而非按照实际实施时的层数目、形状及尺寸绘制,其实际实施时各层的型态、数量及比例可为一种随意的改变,且其层布局型态也可能更为复杂。
在下文描述中,探讨了大量细节,以提供对本发明实施例的更透彻的解释,然而,对本领域技术人员来说,可以在没有这些具体细节的情况下实施本发明的实施例是显而易见的。
本申请在对隐形眼镜边缘缺陷进行检测之前,还需要对检测所需的相关参数进行预先配置,具体包括:
读取参数配置文件,该参数配置文件包含镜片尺寸参数,算法配置参数,系统设置参数等。
加载镜片尺寸参数,包含镜片类型,镜片尺寸参数,如最长直径区间:最短直径区间,镜片长短轴最大容忍阈值 ,镜片长宽比等;
加载算法参数,包含提取参数及分析参数等,如极坐标采样角度,高频筛选阈
值,最小检出面积,最短检出尺寸,检出密度区间,检出长宽比区间,检出圆度区间,检出圆
形率区间,检出灰度值区间,检出灰度方差区间
,检出梯度区间等;
记载系统配置参数,设置启用是否启用算法,是否输出图像等;
参数配置完毕后,正式进行对隐形眼镜边缘缺陷的检测。
图1是本申请一实施例中示出的基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法的流程图,如图1所示,本申请包括:
S110,获取隐形眼镜图像,其中,所述隐形眼镜图像为从相机中读取的图像;
其中,隐形眼镜图像在获取后,还需要进行加载和解码,以读取相机图像数据。
S120,对所述隐形眼镜图像进行降噪预处理,得到过程图像;
其中,通过第一次降噪预处理,对环境噪声进行剔除。
图2是本申请一实施例中示出的降噪预处理的流程图,如图2所示,对所述隐形眼镜图像进行降噪预处理,得到过程图像,包括:
S121,对所述隐形眼镜图像进行格式转换,得到目标格式图像;具体地,将其由格式转换至格式得到。
S122,对所述目标格式图像进行灰度转换,得到灰度图像;具体地,将变
换至灰度空间,得到灰度图像。
S123,对所述灰度图像进行高斯滤波处理,得到过程图像,具体地,对灰度图像,进行核为的高斯滤波处理,从而得到过程图像,
目的是减少环境噪声带来的干扰。
S130,对所述过程图像进行边缘特征提取,得到镜片边缘图像和所述镜片边缘图像的几何参数;
步骤S130对过程图像使用边缘提取算法,自适应地提取相应镜
片边缘图像及对应拟合椭圆的质心、长短轴等镜片几何参数。
图3是本申请一实施例中示出的对过程图像进行边缘提取的流程图,如图3所示,具体步骤如下:
S131,基于边缘提取算子对所述过程图像进行边缘提取,得到包含轮廓特征的初步边缘图像和所述初步边缘图像对应的二值化图像;
具体地,使用算子对过程图像进行边缘提取,得到初
步边缘图像及对应二值化图像。在具体实现中也可以采用其他边缘检测算
子,如,,等。
S132,基于预先配置的镜片尺寸参数对所述二值化图像进行筛选,如果二值化图像不满足镜片尺寸参数,则判断二值化图像以及对应的初步边缘图像尺寸异常,直接输出异常结果。
在所述初步边缘图像满足预先配置的镜片尺寸参数时,对所述初步边缘图像的轮廓特征进行拟合,得到拟合椭圆轮廓,其中,所述预先配置的镜片尺寸参数包括最长直径区间、最短直径区间、长短轴差值区间和长宽比;
具体地,对筛选出的轮廓进行椭圆拟合,本申请采用的方法为基于的
最小二乘法拟合椭圆算法。在具体实现中也可采用其他拟合椭圆算法,如三弧组合选取算
法。
拟合之后,还可以得到对应轮廓的拟合椭圆的几何参数,分别为长轴,短轴,平
均直径,直径差及对应长宽比,其中。
S133,基于预先配置的镜片尺寸参数对所述初步边缘图像进行筛选,在所述拟合轮廓满足预先配置的镜片尺寸参数时,基于所述拟合轮廓构建模板图像;
对于得到的镜片尺寸参数平均直径,直径差及对应长宽比,使用预先
配置的参数进行校验,具体为:最长直径区间,最短直径区间,镜片长短轴最大容忍值,镜片长宽比,判别表达
式如下:
在同时满足 时,
使用构建模板图像。
S134,基于所述模板图像对所述初步边缘图像进行裁切,得到镜片边缘图像和所述镜片边缘图像的几何参数。
具体地,基于模板图像将得到的初步边缘图像进行图像裁剪,得到
所需边缘图像,裁剪的数学表达式为: ,其中为对应图像坐标。
S140,基于所述镜片边缘图像的几何参数对所述过程图像、所述镜片边缘图像分别执行极坐标变换,得到第一极坐标图像和第二极坐标图像,并对所述第二极坐标图像执行快速傅里叶变换处理,得到高频特征图像;
图4是本申请一实施例中示出的极坐标变换和处理的流程图,如图4所示,
步骤S140对, 及,经极坐标变换及快速傅里叶变换等生
成高频特征图像。
其中,对应影像空间坐标系和极坐标系转换具体为:以圆心坐标为中心点,进行半
径式扫描,其中极坐标变换公式所需圆心及半径分别为,中椭圆中心,,极坐标系下横轴为极角,纵轴为极径。
对所述过程图像或者所述镜片边缘图像执行极坐标变换的变换公式为:
式中,为所述过程图像或者所述镜片边缘图像中像素点的横坐标,为所述过程
图像或者所述镜片边缘图像中像素点的纵坐标,为所述第一极坐标图像或者所述第二极
坐标图像中对应像素点的极径,为所述第一极坐标图像或者所述第二极坐标图像中对应
像素点的极角;
其中,对所述过程图像或者所述镜片边缘图像执行极坐标变换所需的圆心为所述
镜片边缘图像的几何参数中的镜片椭圆轮廓的中心坐标,所需的半径为:,采样角度由预先配置,可得采样数目为;
为所述镜片边缘图像的几何参数中的镜片椭圆轮廓的长轴,为所述镜片边缘
图像的几何参数中的镜片椭圆轮廓的短轴,为平均值运算。
对于过程图像,基于极坐标和采样数目进行极坐标变
换,插值方式为最近邻插值,得到第一极坐标图像;对使用相同参数,
得到第二极坐标图像。具体实施中,插值方式可替换为双线性插值,立方插
值等。
在本申请一实施例中,对所述第二极坐标图像执行快速傅里叶变换处理,得到高频特征图像,包括:
S141,对所述第二极坐标图像进行快速傅里叶变换,得到频谱图像;
S142,基于预先构建的高通滤波器对所述频谱图像进行滤波,得
到滤波后的频谱图像;其中,高通滤波器的窗口为。
S143,对所述滤波后的频谱图像进行快速傅里叶逆变换,得到高频特征图像/>。得到的高频特征图像/>的尺寸与第二极坐标图像的尺寸相同。
本实施例中,通过极坐标变换把一个圆(镜片轮廓)展开成一条线,通过变
换得到展开的线的频谱信号,以便于进行高通滤波,滤波之后,通过逆转换将展开的
频谱信号还原为极坐标系下二维图像。从而得到滤波之后的高频特征图像,从
而进一步去除环境噪声的干扰。
S150,提取所述高频特征图像中每个目标轮廓的几何特征,并基于所述高频特征图像提取第一极坐标图像和第二极坐标图像中每个目标轮廓的灰度特征;
图5是本申请一实施例中示出的特征提取的总体流程图,如图5所示,具体步骤包括:
S151,基于预先配置的灰度阈值对所述高频特征图像进行二值化处理,得到二值化图像;
具体地,基于预先配置的高频灰度筛选阈值进行二值化处理,得到
二值化图像,二值化处理的数学表达式为:
S152,对所述二值化图像中的所有轮廓进行提取,得到轮廓集合;
图6是本申请一实施例中示出的遍历轮廓几何进行特征提取的流程图,如图6所示,得到轮廓集合后,对/>进行遍历,提取相关特征,具体如下:
S153,提取所述轮廓集合中目标轮廓的几何特征、包围盒以及最小外接矩形,其
中,所述目标轮廓为面积大于预设面积阈值的轮廓,所述目标轮廓的几何特征包括轮廓尺
寸、轮廓密度、长宽比、圆度和圆形率;
对每一个遍历到的轮廓,使用预先配置的进行轮廓面积的
过滤,若满足大于,保留并作为目标轮廓;否则,对下一个轮廓进行判断;重复上
述过程即可得到所有的目标轮廓;
S154,基于所述目标轮廓的包围盒对所述第一极坐标图像和所述第二极坐标图像进行裁剪,得到第一图块和第二图块;
本实施例中,基于目标轮廓的包围盒对第一极坐标图像,第二极坐
标图像进行图像裁剪,并对应轮廓构建轮廓内,得到裁剪后图像第
一图块, 第二图块的对应表达式如下:
其中,为极坐标图像坐标,为内的最小坐标,为裁
剪后图像坐标。
S155,提取所述第一图块的平均灰度值、灰度值方差、最小灰度值、最大灰度值、和中心位置的灰度值,并提取所述第二图块的梯
度平均值,得到灰度特征,其中,灰度特征提取的数学表达式为:
此外,对于满足上述条件的目标轮廓,本实施例中,还将其对应的几何特征和灰度
特征保存至目标区域中。
S160,将每个目标轮廓的几何特征、灰度特征与预先构建的瑕疵定义进行对比,并基于每个目标轮廓的对比结果判断所述隐形眼镜图像是否为瑕疵图像。
图7是本申请一实施例中示出的瑕疵判断的流程图,如图7所示,步骤S160使用预先配置的配置参数对中的数据进行过滤、筛选,得到该镜片图像是否为瑕疵图像的结果。
所述瑕疵定义包括几何瑕疵定义和灰度瑕疵定义,将每个目标轮廓的几何特征、灰度特征与预先构建的瑕疵定义进行对比,并基于每个目标轮廓的对比结果判断所述隐形眼镜图像是否为瑕疵图像,包括:
S161,将每个目标轮廓的几何特征与预先构建的几何瑕疵定义进行对比,将符合几何瑕疵定义的目标轮廓与灰度瑕疵定义进行对比,得到符合几何瑕疵定义和灰度瑕疵定义的瑕疵轮廓;
其中,所述几何瑕疵定义的数学表达式为:
其中,表示所述轮廓尺寸大于预设的最短检出尺寸;
表示所述轮廓密度在预设的检出密度区间内;
表示所述长宽比在预设的检出长宽比区间内;
表示所述圆度在预设的检出圆度区间内;
表示所述圆形率在预设的检出圆形率区间内;
表示,在上述条件均满足时,进行下一步灰度瑕疵定义的对比,否则直接舍弃对应目标轮廓的几何特征。
所述灰度瑕疵定义的数学表达式为:
其中,表示所述平均灰度值大于预设的检出灰度值区间内;
表示所述灰度值方差在预设的检出方差区间内;
所述梯度平均值在预设的检出梯度区间内;
表示所述最小灰度值大于预设的最小检出灰度值;
表示所述最大灰度值小于预设的最大检出灰度值;
表示所述中心位置的灰度值大于预设的中心检出灰度值;
表示,在上述条件均满足时,保存对应目标轮廓的几何特征和灰度特征,否则舍弃对应目标轮廓的几何特征和灰度特征。
具体地,保留的数据存储到数组中。
S162,在瑕疵轮廓的数量大于0时,判定所述隐形眼镜图像为瑕疵图像,否则判定所述隐形眼镜图像不为瑕疵图像。
具体地,基于数组的长度来进行判定,若/>大于0,则设置检测图像结果为“瑕疵品”,否则设置为“良品”。
图8是本申请一实施例中示出的标注图像的流程图,如图8所示,在本申请一实施例中,还包括:
获取每个瑕疵轮廓的最小外接矩形的四个顶点;
对所述四个顶点进行极坐标逆变换,得到图像坐标系中的四个顶
点,其中,极坐标逆变换的数学表达式为:
式中,为极坐标中镜片椭圆轮廓的中心坐标,为极坐标中镜片椭圆轮廓
的半径,为极坐标转换时的采样数,为顶点的坐标,为顶
点的坐标;
基于所述四个顶点构建标注框,并基于所述标注框对所述隐形眼镜图像进行标注;
将标注后的隐形眼镜图像、所述隐形眼镜图像的判断结果、标注的瑕疵轮廓的几何特征、标注的瑕疵轮廓的灰度特征以及瑕疵定义进行输出。
本实施例中,通过极坐标逆变换得到瑕疵轮廓的最小外接矩形的端点的图像坐标,从而构成标注框,最后进行结果输出时,利用标注框对瑕疵轮廓进行标注,以直观展示。此外,还输出所述隐形眼镜图像的判断结果、标注的瑕疵轮廓的几何特征、标注的瑕疵轮廓的灰度特征以及瑕疵定义,以便于工作人员进行结合查看。
本发明的基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法,通过先对隐形眼镜图像进行降噪预处理,然后对降噪预处理后的图像进行边缘提取,得到镜片边缘图像和镜片边缘图像的几何参数。接着基于镜片边缘图像的几何参数对过程图像、镜片边缘图像分别执行极坐标变换,得到第一极坐标图像和第二极坐标图像,并对第二极坐标图像执行快速傅里叶变换处理并进行进一步滤波,得到滤波后图像。然后对滤波后图像经傅里叶逆变换处理,得到高频特征图像。最后再通过提取几何特征和灰度特征,通过对比判断几何特征和灰度特征是否符合瑕疵定义,进而对隐形眼镜边缘缺陷进行高精度地检测。本申请可以有效地去除噪声干扰,使得检测结果更精确。
如图9所示,本申请还提供基于机器视觉的隐形眼镜边缘缺陷的高精度检测系统,包括:
获取模块,用于获取隐形眼镜图像,其中,所述隐形眼镜图像为从相机中读取的图像;
预处理模块,用于对所述隐形眼镜图像进行降噪预处理,得到过程图像;
边缘提取模块,用于对所述过程图像进行边缘特征提取,得到镜片边缘图像和所述镜片边缘图像的几何参数;
变换处理模块,用于基于所述镜片边缘图像的几何参数对所述过程图像、所述镜片边缘图像分别执行极坐标变换,得到第一极坐标图像和第二极坐标图像,并对所述第二极坐标图像执行快速傅里叶变换处理和进一步滤波,得到高频特征图像;
特征提取模块,用于提取所述高频特征图像中每个目标轮廓的几何特征,并基于所述高频特征图像提取第一极坐标图像和第二极坐标图像中每个目标轮廓的灰度特征;
判断模块,用于将每个目标轮廓的几何特征、灰度特征与预先构建的瑕疵定义进行对比,并基于每个目标轮廓的对比结果判断所述隐形眼镜图像是否为瑕疵图像。
本发明的基于机器视觉的隐形眼镜边缘缺陷的高精度检测系统,通过先对隐形眼镜图像进行降噪预处理,然后对降噪预处理后的图像进行边缘提取,得到镜片边缘图像和镜片边缘图像的几何参数。接着基于镜片边缘图像的几何参数对过程图像、镜片边缘图像分别执行极坐标变换,得到第一极坐标图像和第二极坐标图像,并对第二极坐标图像执行快速傅里叶变换处理并进行进一步滤波,得到滤波后图像。然后对滤波后图像经傅里叶逆变换处理,得到高频特征图像。最后再通过提取几何特征和灰度特征,通过对比判断几何特征和灰度特征是否符合瑕疵定义,进而对隐形眼镜边缘缺陷进行高精度地检测。本申请可以有效地去除噪声干扰,使得检测结果更精确。
本实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本实施例中的任一项方法,其中,所述方法即为本系统的执行逻辑。
本实施例还提供一种电子终端,包括:处理器及存储器;
存储器用于存储计算机程序,处理器用于执行存储器存储的计算机程序,以使终端执行本实施例中任一项方法。
本实施例中的计算机可读存储介质,本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例提供的电子终端,包括处理器、存储器、收发器和通信接口,存储器和通信接口与处理器和收发器连接并完成相互间的通信,存储器用于存储计算机程序,通信接口用于进行通信,处理器和收发器用于运行计算机程序,使电子终端执行如上方法的各个步骤。
在本实施例中,存储器可能包含随机存取存储器(Random Access Memory,简称RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在上述实施例中,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、修改和变形对本领域普通技术人员来说将是显而易见的。本发明的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。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (21)
1.基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法,其特征在于,包括步骤:
获取隐形眼镜图像,其中,所述隐形眼镜图像为从相机中读取的图像;
对所述隐形眼镜图像进行降噪预处理,得到过程图像;
对所述过程图像进行边缘特征提取,得到镜片边缘图像和所述镜片边缘图像的几何参数;对所述过程图像进行边缘特征提取,得到镜片边缘图像和所述镜片边缘图像的几何参数,包括:基于边缘提取算子对所述过程图像进行边缘提取,得到包含轮廓特征的初步边缘图像和所述初步边缘图像对应的二值化图像;基于预先配置的镜片尺寸参数对所述二值化图像进行筛选,并在所述二值化图像满足预先配置的镜片尺寸参数时,对所述初步边缘图像的轮廓特征进行拟合,得到拟合轮廓,其中,所述预先配置的镜片尺寸参数包括最长直径区间、最短直径区间、长短轴差值区间和长宽比;基于预先配置的镜片尺寸参数对所述初步边缘图像进行筛选,在所述拟合轮廓满足预先配置的镜片尺寸参数时,基于所述拟合轮廓构建模板图像;基于所述模板图像对所述初步边缘图像进行裁切,得到镜片边缘图像和所述镜片边缘图像的几何参数;
基于所述镜片边缘图像的几何参数对所述过程图像、所述镜片边缘图像分别执行极坐标变换,得到第一极坐标图像和第二极坐标图像,并对所述第二极坐标图像执行快速傅里叶变换处理和进一步滤波,得到高频特征图像;
提取所述高频特征图像中每个目标轮廓的几何特征,并基于所述高频特征图像提取第一极坐标图像和第二极坐标图像中每个目标轮廓的灰度特征;
将每个目标轮廓的几何特征、灰度特征与预先构建的瑕疵定义进行对比,并基于每个目标轮廓的对比结果判断所述隐形眼镜图像是否为瑕疵图像。
2.根据权利要求1所述的基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法,其特征在于,对所述隐形眼镜图像进行降噪预处理,得到过程图像,包括:
对所述隐形眼镜图像进行格式转换,得到目标格式图像;
对所述目标格式图像进行灰度转换,得到灰度图像;
对所述灰度图像进行高斯滤波处理,得到过程图像。
3.根据权利要求1所述的基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法,其特征在于,对所述第二极坐标图像执行快速傅里叶变换处理和进一步滤波,得到高频特征图像,包括:
对所述第二极坐标图像进行快速傅里叶变换,得到频谱图像;
基于预先构建的高通滤波器对所述频谱图像进行滤波,得到滤波后的频谱图像;
对所述滤波后的频谱图像进行快速傅里叶逆变换,得到高频特征图像。
4.根据权利要求1所述的基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法,其特征在于,提取所述高频特征图像中每个目标轮廓的几何特征,并基于所述高频特征图像提取第一极坐标图像和第二极坐标图像中每个目标轮廓的灰度特征,包括:
基于预先配置的灰度阈值对所述高频特征图像进行二值化处理,得到二值化图像;
对所述二值化图像中的所有轮廓进行提取,得到轮廓集合;
提取所述轮廓集合中目标轮廓的几何特征和包围盒,其中,所述目标轮廓为面积大于预设面积阈值的轮廓,所述目标轮廓的几何特征包括轮廓尺寸、轮廓密度、长宽比、圆度和圆形率;
基于所述目标轮廓的包围盒对所述第一极坐标图像和所述第二极坐标图像进行裁剪,得到第一图块和第二图块;
提取所述第一图块的平均灰度值、灰度值方差、最小灰度值、最大灰度值、和中心位置的灰度值,并提取所述第二图块的梯度平均值,得到灰度特征。
5.根据权利要求4所述的基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法,其特征在于,所述瑕疵定义包括几何瑕疵定义和灰度瑕疵定义,将每个目标轮廓的几何特征、灰度特征与预先构建的瑕疵定义进行对比,并基于每个目标轮廓的对比结果判断所述隐形眼镜图像是否为瑕疵图像,包括:
将每个目标轮廓的几何特征与预先构建的几何瑕疵定义进行对比,将符合几何瑕疵定义的目标轮廓与灰度瑕疵定义进行对比,得到符合几何瑕疵定义和灰度瑕疵定义的瑕疵轮廓;
其中,所述几何瑕疵定义为同时满足:所述轮廓尺寸大于预设的最短检出尺寸,所述轮廓密度在预设的检出密度区间内,所述长宽比在预设的检出长宽比区间内,所述圆度在预设的检出圆度区间内,所述圆形率在预设的检出圆形率区间内;
所述灰度瑕疵定义为同时满足:所述平均灰度值大于预设的检出灰度值区间内,所述灰度值方差在预设的检出方差区间内,所述梯度平均值在预设的检出梯度区间内,所述最小灰度值大于预设的最小检出灰度值,所述最大灰度值小于预设的最大检出灰度值,所述中心位置的灰度值大于预设的中心检出灰度值;
在瑕疵轮廓的数量大于0时,判定所述隐形眼镜图像为瑕疵图像,否则判定所述隐形眼镜图像不为瑕疵图像。
6.根据权利要求5所述的基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法,其特征在于,对所述二值化图像中的所有轮廓进行提取,得到轮廓集合之后,还包括:
提取所述轮廓集合中目标轮廓的最小外接矩形。
7.根据权利要求6所述的基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法,其特征在于,还包括:
获取每个瑕疵轮廓的最小外接矩形的四个顶点(p1,p2,p3,p4);
对所述四个顶点(p1,p2,p3,p4)进行极坐标逆变换,得到图像坐标系中的四个顶点(p'1,p'2,p'3,p'4),其中,极坐标逆变换的数学表达式为:
式中,(cx,cy)为极坐标中镜片椭圆轮廓的中心坐标,r为极坐标中镜片椭圆轮廓的半径,cnt为极坐标转换时的采样数,(xi,yi)为顶点(p1,p2,p3,p4)的坐标,(x'i,y'i)为顶点(p'1,p'2,p'3,p'4)的坐标;
基于所述四个顶点(p'1,p'2,p'3,p'4)构建标注框,并基于所述标注框对所述隐形眼镜图像进行标注;
将标注后的隐形眼镜图像、所述隐形眼镜图像的判断结果、标注的瑕疵轮廓的几何特征、标注的瑕疵轮廓的灰度特征以及瑕疵定义进行输出。
8.基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法,其特征在于,包括步骤:
获取隐形眼镜图像,其中,所述隐形眼镜图像为从相机中读取的图像;
对所述隐形眼镜图像进行降噪预处理,得到过程图像;
对所述过程图像进行边缘特征提取,得到镜片边缘图像和所述镜片边缘图像的几何参数;
基于所述镜片边缘图像的几何参数对所述过程图像、所述镜片边缘图像分别执行极坐标变换,得到第一极坐标图像和第二极坐标图像,并对所述第二极坐标图像执行快速傅里叶变换处理和进一步滤波,得到高频特征图像;
对所述过程图像或者所述镜片边缘图像执行极坐标变换的变换公式为:
式中,x为所述过程图像或者所述镜片边缘图像中像素点的横坐标,y为所述过程图像或者所述镜片边缘图像中像素点的纵坐标,ρ为所述第一极坐标图像或者所述第二极坐标图像中对应像素点的极径,θ为所述第一极坐标图像或者所述第二极坐标图像中对应像素点的极角;其中,对所述过程图像或者所述镜片边缘图像执行极坐标变换所需的圆心为所述镜片边缘图像的几何参数中的镜片椭圆轮廓的中心坐标c(cx,cy)),所需的半径为:mean(a//2,b//2),所需的采样角度和插值方式预先配置;a为所述镜片边缘图像的几何参数中的镜片椭圆轮廓的长轴,b为所述镜片边缘图像的几何参数中的镜片椭圆轮廓的短轴,mean()为平均值运算;
提取所述高频特征图像中每个目标轮廓的几何特征,并基于所述高频特征图像提取第一极坐标图像和第二极坐标图像中每个目标轮廓的灰度特征;
将每个目标轮廓的几何特征、灰度特征与预先构建的瑕疵定义进行对比,并基于每个目标轮廓的对比结果判断所述隐形眼镜图像是否为瑕疵图像。
9.根据权利要求8所述的基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法,其特征在于,对所述隐形眼镜图像进行降噪预处理,得到过程图像,包括:
对所述隐形眼镜图像进行格式转换,得到目标格式图像;
对所述目标格式图像进行灰度转换,得到灰度图像;
对所述灰度图像进行高斯滤波处理,得到过程图像。
10.根据权利要求8所述的基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法,其特征在于,对所述第二极坐标图像执行快速傅里叶变换处理和进一步滤波,得到高频特征图像,包括:
对所述第二极坐标图像进行快速傅里叶变换,得到频谱图像;
基于预先构建的高通滤波器对所述频谱图像进行滤波,得到滤波后的频谱图像;
对所述滤波后的频谱图像进行快速傅里叶逆变换,得到高频特征图像。
11.根据权利要求8所述的基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法,其特征在于,提取所述高频特征图像中每个目标轮廓的几何特征,并基于所述高频特征图像提取第一极坐标图像和第二极坐标图像中每个目标轮廓的灰度特征,包括:
基于预先配置的灰度阈值对所述高频特征图像进行二值化处理,得到二值化图像;
对所述二值化图像中的所有轮廓进行提取,得到轮廓集合;
提取所述轮廓集合中目标轮廓的几何特征和包围盒,其中,所述目标轮廓为面积大于预设面积阈值的轮廓,所述目标轮廓的几何特征包括轮廓尺寸、轮廓密度、长宽比、圆度和圆形率;
基于所述目标轮廓的包围盒对所述第一极坐标图像和所述第二极坐标图像进行裁剪,得到第一图块和第二图块;
提取所述第一图块的平均灰度值、灰度值方差、最小灰度值、最大灰度值、和中心位置的灰度值,并提取所述第二图块的梯度平均值,得到灰度特征。
12.根据权利要求11所述的基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法,其特征在于,所述瑕疵定义包括几何瑕疵定义和灰度瑕疵定义,将每个目标轮廓的几何特征、灰度特征与预先构建的瑕疵定义进行对比,并基于每个目标轮廓的对比结果判断所述隐形眼镜图像是否为瑕疵图像,包括:
将每个目标轮廓的几何特征与预先构建的几何瑕疵定义进行对比,将符合几何瑕疵定义的目标轮廓与灰度瑕疵定义进行对比,得到符合几何瑕疵定义和灰度瑕疵定义的瑕疵轮廓;
其中,所述几何瑕疵定义为同时满足:所述轮廓尺寸大于预设的最短检出尺寸,所述轮廓密度在预设的检出密度区间内,所述长宽比在预设的检出长宽比区间内,所述圆度在预设的检出圆度区间内,所述圆形率在预设的检出圆形率区间内;
所述灰度瑕疵定义为同时满足:所述平均灰度值大于预设的检出灰度值区间内,所述灰度值方差在预设的检出方差区间内,所述梯度平均值在预设的检出梯度区间内,所述最小灰度值大于预设的最小检出灰度值,所述最大灰度值小于预设的最大检出灰度值,所述中心位置的灰度值大于预设的中心检出灰度值;
在瑕疵轮廓的数量大于0时,判定所述隐形眼镜图像为瑕疵图像,否则判定所述隐形眼镜图像不为瑕疵图像。
13.根据权利要求12所述的基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法,其特征在于,对所述二值化图像中的所有轮廓进行提取,得到轮廓集合之后,还包括:
提取所述轮廓集合中目标轮廓的最小外接矩形。
14.根据权利要求13所述的基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法,其特征在于,还包括:
获取每个瑕疵轮廓的最小外接矩形的四个顶点(p1,p2,p3,p4);
对所述四个顶点(p1,p2,p3,p4)进行极坐标逆变换,得到图像坐标系中的四个顶点(p'1,p'2,p'3,p'4),其中,极坐标逆变换的数学表达式为:
式中,(cx,cy)为极坐标中镜片椭圆轮廓的中心坐标,r为极坐标中镜片椭圆轮廓的半径,cnt为极坐标转换时的采样数,(xi,yi)为顶点(p1,p2,p3,p4)的坐标,(x'i,y'i)为顶点(p'1,p'2,p'3,p'4)的坐标;
基于所述四个顶点(p'1,p'2,p'3,p'4)构建标注框,并基于所述标注框对所述隐形眼镜图像进行标注;
将标注后的隐形眼镜图像、所述隐形眼镜图像的判断结果、标注的瑕疵轮廓的几何特征、标注的瑕疵轮廓的灰度特征以及瑕疵定义进行输出。
15.基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法,其特征在于,包括步骤:
获取隐形眼镜图像,其中,所述隐形眼镜图像为从相机中读取的图像;
对所述隐形眼镜图像进行降噪预处理,得到过程图像;
对所述过程图像进行边缘特征提取,得到镜片边缘图像和所述镜片边缘图像的几何参数;
基于所述镜片边缘图像的几何参数对所述过程图像、所述镜片边缘图像分别执行极坐标变换,得到第一极坐标图像和第二极坐标图像,并对所述第二极坐标图像执行快速傅里叶变换处理和进一步滤波,得到高频特征图像;
提取所述高频特征图像中每个目标轮廓的几何特征,并基于所述高频特征图像提取第一极坐标图像和第二极坐标图像中每个目标轮廓的灰度特征;提取所述高频特征图像中每个目标轮廓的几何特征,并基于所述高频特征图像提取第一极坐标图像和第二极坐标图像中每个目标轮廓的灰度特征,包括:基于预先配置的灰度阈值对所述高频特征图像进行二值化处理,得到二值化图像;对所述二值化图像中的所有轮廓进行提取,得到轮廓集合;提取所述轮廓集合中目标轮廓的几何特征和包围盒,其中,所述目标轮廓为面积大于预设面积阈值的轮廓,所述目标轮廓的几何特征包括轮廓尺寸、轮廓密度、长宽比、圆度和圆形率;基于所述目标轮廓的包围盒对所述第一极坐标图像和所述第二极坐标图像进行裁剪,得到第一图块和第二图块;提取所述第一图块的平均灰度值、灰度值方差、最小灰度值、最大灰度值、和中心位置的灰度值,并提取所述第二图块的梯度平均值,得到灰度特征;
将每个目标轮廓的几何特征、灰度特征与预先构建的瑕疵定义进行对比,并基于每个目标轮廓的对比结果判断所述隐形眼镜图像是否为瑕疵图像。
16.根据权利要求15所述的基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法,其特征在于,对所述隐形眼镜图像进行降噪预处理,得到过程图像,包括:
对所述隐形眼镜图像进行格式转换,得到目标格式图像;
对所述目标格式图像进行灰度转换,得到灰度图像;
对所述灰度图像进行高斯滤波处理,得到过程图像。
17.根据权利要求15所述的基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法,其特征在于,对所述第二极坐标图像执行快速傅里叶变换处理和进一步滤波,得到高频特征图像,包括:
对所述第二极坐标图像进行快速傅里叶变换,得到频谱图像;
基于预先构建的高通滤波器对所述频谱图像进行滤波,得到滤波后的频谱图像;
对所述滤波后的频谱图像进行快速傅里叶逆变换,得到高频特征图像。
18.根据权利要求15所述的基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法,其特征在于,所述瑕疵定义包括几何瑕疵定义和灰度瑕疵定义,将每个目标轮廓的几何特征、灰度特征与预先构建的瑕疵定义进行对比,并基于每个目标轮廓的对比结果判断所述隐形眼镜图像是否为瑕疵图像,包括:
将每个目标轮廓的几何特征与预先构建的几何瑕疵定义进行对比,将符合几何瑕疵定义的目标轮廓与灰度瑕疵定义进行对比,得到符合几何瑕疵定义和灰度瑕疵定义的瑕疵轮廓;
其中,所述几何瑕疵定义为同时满足:所述轮廓尺寸大于预设的最短检出尺寸,所述轮廓密度在预设的检出密度区间内,所述长宽比在预设的检出长宽比区间内,所述圆度在预设的检出圆度区间内,所述圆形率在预设的检出圆形率区间内;
所述灰度瑕疵定义为同时满足:所述平均灰度值大于预设的检出灰度值区间内,所述灰度值方差在预设的检出方差区间内,所述梯度平均值在预设的检出梯度区间内,所述最小灰度值大于预设的最小检出灰度值,所述最大灰度值小于预设的最大检出灰度值,所述中心位置的灰度值大于预设的中心检出灰度值;
在瑕疵轮廓的数量大于0时,判定所述隐形眼镜图像为瑕疵图像,否则判定所述隐形眼镜图像不为瑕疵图像。
19.根据权利要求18所述的基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法,其特征在于,对所述二值化图像中的所有轮廓进行提取,得到轮廓集合之后,还包括:
提取所述轮廓集合中目标轮廓的最小外接矩形。
20.根据权利要求19所述的基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法,其特征在于,还包括:
获取每个瑕疵轮廓的最小外接矩形的四个顶点(p1,p2,p3,p4);
对所述四个顶点(p1,p2,p3,p4)进行极坐标逆变换,得到图像坐标系中的四个顶点(p'1,p'2,p'3,p'4),其中,极坐标逆变换的数学表达式为:
式中,(cx,cy)为极坐标中镜片椭圆轮廓的中心坐标,r为极坐标中镜片椭圆轮廓的半径,cnt为极坐标转换时的采样数,(xi,yi)为顶点(p1,p2,p3,p4)的坐标,(x'i,y'i)为顶点(p'1,p'2,p'3,p'4)的坐标;
基于所述四个顶点(p'1,p'2,p'3,p'4)构建标注框,并基于所述标注框对所述隐形眼镜图像进行标注;
将标注后的隐形眼镜图像、所述隐形眼镜图像的判断结果、标注的瑕疵轮廓的几何特征、标注的瑕疵轮廓的灰度特征以及瑕疵定义进行输出。
21.用于权利要求1、8或15所述的基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法的基于机器视觉的隐形眼镜边缘缺陷的高精度检测系统,其特征在于,包括:
获取模块,用于获取隐形眼镜图像,其中,所述隐形眼镜图像为从相机中读取的图像;
预处理模块,用于对所述隐形眼镜图像进行降噪预处理,得到过程图像;
边缘提取模块,用于对所述过程图像进行边缘特征提取,得到镜片边缘图像和所述镜片边缘图像的几何参数;
变换处理模块,用于基于所述镜片边缘图像的几何参数对所述过程图像、所述镜片边缘图像分别执行极坐标变换,得到第一极坐标图像和第二极坐标图像,并对所述第二极坐标图像执行快速傅里叶变换处理和进一步滤波,得到高频特征图像;
特征提取模块,用于提取所述高频特征图像中每个目标轮廓的几何特征,并基于所述高频特征图像提取第一极坐标图像和第二极坐标图像中每个目标轮廓的灰度特征;
判断模块,用于将每个目标轮廓的几何特征、灰度特征与预先构建的瑕疵定义进行对比,并基于每个目标轮廓的对比结果判断所述隐形眼镜图像是否为瑕疵图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311568814.0A CN117269179B (zh) | 2023-11-23 | 2023-11-23 | 基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311568814.0A CN117269179B (zh) | 2023-11-23 | 2023-11-23 | 基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117269179A CN117269179A (zh) | 2023-12-22 |
CN117269179B true CN117269179B (zh) | 2024-02-02 |
Family
ID=89206762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311568814.0A Active CN117269179B (zh) | 2023-11-23 | 2023-11-23 | 基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117269179B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117576088B (zh) * | 2024-01-15 | 2024-04-05 | 平方和(北京)科技有限公司 | 一种液体杂质智能过滤视觉检测方法和装置 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5717781A (en) * | 1992-12-21 | 1998-02-10 | Johnson & Johnson Vision Products, Inc. | Ophthalmic lens inspection method and apparatus |
US6047082A (en) * | 1997-11-14 | 2000-04-04 | Wesley Jessen Corporation | Automatic lens inspection system |
CN105405142A (zh) * | 2015-11-12 | 2016-03-16 | 冯平 | 一种玻璃面板的边缺陷检测方法及系统 |
CN106524934A (zh) * | 2016-11-11 | 2017-03-22 | 北京工业大学 | 一种高精度小模数齿轮视觉测量方法 |
CN110286126A (zh) * | 2019-06-17 | 2019-09-27 | 浙江大学 | 一种基于视觉图像的晶圆表面缺陷分区域检测方法 |
CN111612765A (zh) * | 2020-05-21 | 2020-09-01 | 华南师范大学 | 一种圆形透明镜片识别和定位的方法 |
CN112508903A (zh) * | 2020-12-01 | 2021-03-16 | 电子科技大学 | 一种卫星望远镜镜片表面疵病轮廓检测方法 |
CN112529876A (zh) * | 2020-12-15 | 2021-03-19 | 天津大学 | 一种隐形眼镜边缘缺陷的检测方法 |
CN113643271A (zh) * | 2021-08-24 | 2021-11-12 | 凌云光技术股份有限公司 | 一种基于频域滤波的图像瑕疵检测方法及装置 |
CN114140384A (zh) * | 2021-10-26 | 2022-03-04 | 徐州煤矿安全设备制造有限公司 | 基于轮廓拟合与形心跟踪的提升钢丝绳横向振动图像识别算法 |
CN114742752A (zh) * | 2022-03-02 | 2022-07-12 | 平方和(北京)科技有限公司 | 隐形眼镜铸模印刷质量的检测方法和装置 |
CN115829981A (zh) * | 2022-12-12 | 2023-03-21 | 中国人民解放军陆军装甲兵学院 | 一种退役轴承端面损伤的视觉检测方法 |
CN116739998A (zh) * | 2023-05-24 | 2023-09-12 | 山东省计算中心(国家超级计算济南中心) | 基于机器视觉的煤矿箕斗滚轮罐耳磨损检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11798153B2 (en) * | 2019-10-02 | 2023-10-24 | Kla Corporation | Frequency domain enhancement of low-SNR flat residue/stain defects for effective detection |
-
2023
- 2023-11-23 CN CN202311568814.0A patent/CN117269179B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5717781A (en) * | 1992-12-21 | 1998-02-10 | Johnson & Johnson Vision Products, Inc. | Ophthalmic lens inspection method and apparatus |
US6047082A (en) * | 1997-11-14 | 2000-04-04 | Wesley Jessen Corporation | Automatic lens inspection system |
CN105405142A (zh) * | 2015-11-12 | 2016-03-16 | 冯平 | 一种玻璃面板的边缺陷检测方法及系统 |
CN106524934A (zh) * | 2016-11-11 | 2017-03-22 | 北京工业大学 | 一种高精度小模数齿轮视觉测量方法 |
CN110286126A (zh) * | 2019-06-17 | 2019-09-27 | 浙江大学 | 一种基于视觉图像的晶圆表面缺陷分区域检测方法 |
CN111612765A (zh) * | 2020-05-21 | 2020-09-01 | 华南师范大学 | 一种圆形透明镜片识别和定位的方法 |
CN112508903A (zh) * | 2020-12-01 | 2021-03-16 | 电子科技大学 | 一种卫星望远镜镜片表面疵病轮廓检测方法 |
CN112529876A (zh) * | 2020-12-15 | 2021-03-19 | 天津大学 | 一种隐形眼镜边缘缺陷的检测方法 |
CN113643271A (zh) * | 2021-08-24 | 2021-11-12 | 凌云光技术股份有限公司 | 一种基于频域滤波的图像瑕疵检测方法及装置 |
CN114140384A (zh) * | 2021-10-26 | 2022-03-04 | 徐州煤矿安全设备制造有限公司 | 基于轮廓拟合与形心跟踪的提升钢丝绳横向振动图像识别算法 |
CN114742752A (zh) * | 2022-03-02 | 2022-07-12 | 平方和(北京)科技有限公司 | 隐形眼镜铸模印刷质量的检测方法和装置 |
CN115829981A (zh) * | 2022-12-12 | 2023-03-21 | 中国人民解放军陆军装甲兵学院 | 一种退役轴承端面损伤的视觉检测方法 |
CN116739998A (zh) * | 2023-05-24 | 2023-09-12 | 山东省计算中心(国家超级计算济南中心) | 基于机器视觉的煤矿箕斗滚轮罐耳磨损检测方法 |
Non-Patent Citations (2)
Title |
---|
一种眼镜镜片缺陷自动化检测系统的研究;姚红兵 等;《应用光学》;第34卷(第4期);633-638 * |
光学镜片表面疵病检测算法研究;朱聪;《中国优秀硕士学位论文全文数据库》(2014年第09期);I138-963 * |
Also Published As
Publication number | Publication date |
---|---|
CN117269179A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109816652B (zh) | 一种基于灰度显著性的复杂铸件缺陷识别方法 | |
CN116168026B (zh) | 基于计算机视觉的水质检测方法及系统 | |
CN109632808B (zh) | 棱边缺陷检测方法、装置、电子设备及存储介质 | |
CN117269179B (zh) | 基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法和系统 | |
CN107534756B (zh) | 用于缺陷检查应用的快速密度估计方法 | |
TWI716684B (zh) | 臨界尺寸量測方法及用於量測臨界尺寸的影像處理裝置 | |
CN113109368B (zh) | 玻璃裂纹检测方法、装置、设备及介质 | |
CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
CN110660072B (zh) | 一种直线边缘的识别方法、装置、存储介质及电子设备 | |
CN111680750B (zh) | 图像识别方法、装置和设备 | |
JP7435303B2 (ja) | 検査装置、ユニット選択装置、検査方法、及び検査プログラム | |
CN111275659B (zh) | 一种焊缝图像处理方法、装置、终端设备及存储介质 | |
CN115294527B (zh) | 一种基于计算机视觉的地铁隧道破损检测方法 | |
CN115526885A (zh) | 一种产品图像缺陷检测方法、系统、装置及介质 | |
CN113971669A (zh) | 应用于管道损伤识别的三维检测系统 | |
CN117635615B (zh) | 基于深度学习实现冲孔模具的缺陷检测方法及系统 | |
CN112802022B (zh) | 智能检测缺陷玻璃图像的方法、电子设备以及存储介质 | |
CN116958127B (zh) | 基于图像特征的硅片质量评估方法 | |
CN113066051A (zh) | 一种坡口缺陷检测方法、计算设备及可读存储介质 | |
CN111415365B (zh) | 图像检测方法及装置 | |
CN109949245B (zh) | 十字激光检测定位方法、装置、存储介质及计算机设备 | |
CN113192118B (zh) | 一种空调压缩机内部结构尺寸精确测量方法 | |
CN115049641A (zh) | 一种用于机械零件异常检测的电数据处理方法及系统 | |
CN117788470B (zh) | 一种基于人工智能的轮胎缺陷检测方法 | |
CN118037719B (zh) | 产品缺陷检测方法、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 |