CN117291924B - 基于机器视觉的主机电源外观质量检测方法 - Google Patents
基于机器视觉的主机电源外观质量检测方法 Download PDFInfo
- Publication number
- CN117291924B CN117291924B CN202311586658.0A CN202311586658A CN117291924B CN 117291924 B CN117291924 B CN 117291924B CN 202311586658 A CN202311586658 A CN 202311586658A CN 117291924 B CN117291924 B CN 117291924B
- Authority
- CN
- China
- Prior art keywords
- segmentation
- threshold
- sub
- value
- correction coefficient
- 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 18
- 230000011218 segmentation Effects 0.000 claims abstract description 265
- 238000000034 method Methods 0.000 claims abstract description 139
- 238000012937 correction Methods 0.000 claims abstract description 88
- 238000009826 distribution Methods 0.000 claims abstract description 33
- 230000007547 defect Effects 0.000 claims abstract description 28
- 238000013507 mapping Methods 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 7
- 239000011257 shell material Substances 0.000 description 11
- 238000005286 illumination Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000000750 progressive 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
- 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
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)
Abstract
本发明涉及图像区域分割技术领域,具体涉及一种基于机器视觉的主机电源外观质量检测方法。该方法将主机电源的表面外观图像划分成多个子区域,通过分析迭代阈值分割算法过程中每个子区域内的像素分布和分割结果的变化,确定第一修正参数和第二修正参数。在第一次分割过程中利用第一修正参数更新截止阈值,在后续分割过程中利用第二修正参数更新截止阈值,进而获得每个子区域对应的最终分割阈值和最终分割结果,利用最终分割结果判断表面外观图像中的缺陷情况。本发明通过自适应获得主机电源表面外观图像中各个子区域的截止阈值,获得准确的分割阈值,根据准确的分割结果进行质量检测,提高了检测的精度和效果。
Description
技术领域
本发明涉及图像区域分割技术领域,具体涉及一种基于机器视觉的主机电源外观质量检测方法。
背景技术
主机电源为计算机内重要的供电器件,其外壳通常由金属制成,而在外壳生产过程中,因为工艺问题、运输问题等因素,会导致外壳上出现脏污、磨损、划伤等外观缺陷,此类外观缺陷会影响最终产品质量。因此在主机电源的外壳生产过程中需要检测外壳的外观缺陷,保证最终产品质量。
在现有技术中,可利用机器视觉的方法,利用主机电源的表面外观图像上正常区域和缺陷区域之间存在明显像素值差异的原理,通过图像分割检测缺陷产生情况。现有技术中为了准确实现图像分割可利用迭代阈值分割法对表面外观图像进行分割。迭代阈值分割法又叫做阈值迭代分割法,通过不断更新分割阈值最终获得效果更好的分割结果。但是在主机电源外壳生产过程中,因为外壳材料通常为光滑的金属材质,表面会因为光照不均匀的影响产生亮度不均匀区域,如果整张图像均采用同样进度的阈值迭代,会使得部分光照较差的相对较暗的区域被误分割为缺陷区域,导致最终检测结果产生误判或者漏判。
发明内容
为了解决因为光照不均匀的影响导致迭代阈值算法无法准确分割主机电源表面外观图像上的缺陷区域的技术问题,本发明的目的在于提供一种基于机器视觉的主机电源外观质量检测方法,所采用的技术方案具体如下:
本发明提出了一种基于机器视觉的主机电源外观质量检测方法,所述方法包括:
获取主机电源的表面外观图像;在所述表面外观图像上均匀划分成多个子区域;
预设迭代阈值分割算法中初始的分割阈值和截止阈值;根据所述迭代阈值分割算法对所述表面外观图像进行迭代分割,每次分割过程结束后需要更新分割阈值;在每次分割过程中,根据每个子区域内像素值相对于分割阈值的差异分布特征获得每个子区域的第一修正系数,获得每个子区域相对于其他所有子区域之间第一修正系数的偏差值,根据所述子区域内相对于之前分割结果的变化程度,获得分割变化特征,根据所述偏差值和所述分割变化特征获得每个子区域的第二修正系数;在第一次分割过程中,根据所述子区域的所述第一修正系数修正所述截止阈值,获得所述子区域的更新截止阈值;除第一次分割过程外的每一次所述分割过程中,根据所述子区域的所述第二修正系数修正前一次分割过程的更新截止阈值,获得新的更新截止阈值;根据每个子区域对应的分割阈值与更新截止阈值之间的关系控制所述迭代阈值分割算法的启停,将停止时所述子区域对应的分割阈值作为最终分割阈值,根据所述最终分割阈值获得每个所述子区域的最终分割结果;
根据每个子区域的所述最终分割结果判断所述表面外观图像中的缺陷情况。
进一步地,所述获取主机电源的表面外观图像之后还包括对所述表面外观图像利用高斯滤波算法进行平滑处理。
进一步地,所述第一修正系数的获取方法包括:
获取所述子区域内每个像素点的灰度值与所述分割阈值的灰度差值;将所述灰度差值进行负相关映射并将值域限定在预设正数区间内,获得每个灰度差值的加权权重;所述子区域内的每个像素点对应的所述灰度差值与所述加权权重相乘,获得每个像素点的加权灰度差异;将所述子区域内的所有像素点的平均加权灰度差异归一化处理后获得所述第一修正系数。
进一步地,所述偏差值的获取方法包括:
将所有所述子区域的所述第一修正系数依次排序获得第一修正系数序列,利用最小二乘法拟合所述第一修正系数序列,获得水平方向拟合直线和垂直方向拟合直线;获得每个所述子区域对应的所述第一修正系数与所述水平方向拟合直线之间的横向偏差;获得每个所述子区域对应的所述第一修正系数与所述垂直方向拟合直线之间的竖向偏差,将所述横向偏差和所述竖向偏差的和作为对应所述子区域的所述偏差值。
进一步地,所述分割变化特征的获取方法包括:
在每次分割过程中,所述分割阈值将所述子区域划分为两类分割区域,将灰度值最小的一类分割区域作为目标区域,统计所述子区域在前一次分割过程与本次分割过程的分割结果产生变化的像素点,作为第一待分析像素点;统计所述子区域在前一次分割过程与本次分割过程中均被分为所述目标区域的像素点,作为第二待分析像素点;
在所述表面外观图像中,获得所述第二待分析像素点的横坐标方差和纵坐标方差,以所述横坐标方差和所述纵坐标方差的和值作为所述子区域的目标分布特征,将所述第一待分析像素点的数量与所述目标分布特征的比值作为对应子区域在本次分割过程中的所述分割变化特征。
进一步地,所述第二修正系数的获取方法包括:
分别将所述偏差值和所述分割变化特征进行负相关映射后并将负相关映射结果相乘,获得所述第二修正系数。
进一步地,所述更新截止阈值的获取方法包括:
在第一次分割过程中,将初始的所述截止阈值与所述第一修正系数相乘,获得所述更新截止阈值;
除第一次分割过程外的每一次所述分割过程中,将前一次分割过程的更新截止阈值与本次分割过程对应所述子区域的所述第二修正系数相乘,获得本次分割过程的所述更新截止阈值。
进一步地,所述分割阈值的更新方法包括:
所述分割阈值将所述表面外观图像划分为两类分割区域,分别计算两类分割区域的平均灰度值,将两类分割区域的平均灰度值相加除以二,获得更新后的所述分割阈值。
进一步地,所述根据每个子区域对应的分割阈值与更新截止阈值之间的关系控制所述迭代阈值分割算法的启停,包括:
当本次分割过程中更新后的所述分割阈值与前一次分割过程中的所述分割阈值之间的差值小于本次分割过程的更新截止阈值,则判断停止所述迭代阈值分割算法;否则继续更新所述分割阈值和所述更新截止阈值。
进一步地,所述根据每个子区域的所述最终分割结果判断所述表面外观图像中的缺陷情况包括:
所有所述子区域的所述最终分割结果构成所述表面外观图像的分割图像;根据所述分割图像中所述目标区域的大小和分布判断主机电源外观是否存在缺陷。
本发明具有如下有益效果:
本发明首先将表面外观图像均匀划分为多个子区,在后续过程中针对每个子区域进行分析,有效避免了迭代阈值分割算法直接分析图像整体造成某些区域的阈值不合适问题。在后续步骤中考虑到因为光照影响导致不同子区域中的像素分布情况不一致,因此获得用于表征当前分割阈值在子区域内的相对差异分布情况的第一修正系数;进一步考虑到迭代阈值分割算法是一种参数迭代更新的算法,因此结合子区域内相对于之前分割结果的变化程度和每个子区域相对于其他子区域的第一修正参数偏差值获得第二修正参数。利用第一修正参数和第二修正参数能够表征每个子区域内的像素分布特征及其对分割过程的影响特征,因此在迭代阈值分割算法中利用每次分割过程中的第一修正参数和第二修正参数对截止阈值进行更新,进而控制算法在每个子区域上的启停,使得不同像素分布的子区域具有不同的分割阈值,即实现了对表面外观图像的准确分割,根据最终分割结果即可准确判断表面外观图像中的缺陷情况。
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和优点,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的介绍,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它附图。
图1为本发明一个实施例所提供的一种基于机器视觉的主机电源外观质量检测方法流程图。
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一种基于机器视觉的主机电源外观质量检测方法,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一种基于机器视觉的主机电源外观质量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一种基于机器视觉的主机电源外观质量检测方法流程图,该方法包括:
步骤S1:获取主机电源的表面外观图像;在表面外观图像上均匀划分成多个子区域。
在本发明实施例中,完成制造工艺后的主机电源外壳通过传送带运送到检测区域,检测区域的传送带周围设置有摄像头,使得能够获得主机电源外壳各个视角下的图像。需要说明的是,因为直接拍摄获得的图片中不仅包括主机电源外壳的图像,还包括背景信息,因此需要调整相机的位置和焦距,使得图像中背景信息尽可能的少,进一步通过图像匹配等方法提取出仅包含主机电源外壳信息的表面外观图像。
需要说明的是,因为各个视角下的表面外观图像后续处理过程均相同,因此后续描述中仅以一张表面外观图像举例。
考虑到主机电源外壳是有光滑金属构成,并且制造场景光照环境比较复杂,容易出现光照不均匀的情况,进而导致表面出现明暗差异,若直接利用迭代阈值分割算法对图像进行全局处理则会使得某些比较暗的区域被误分割为缺陷区域,影响缺陷检测精度。因此为了避免上述问题,首先将表面外观图像均匀划分为多个子区域,在后续过程中通过分析每个子区域内的像素值分布情况和分割过程中的变化情况,进而分别控制每个子区域内阈值迭代更新的启停,使得不同像素分布的子区域具有不同的分割阈值。
在本发明一个实施例中,按照长宽比例将图像划分为4×3的子区域,若图像划分过程中存在某部分像素不满足4×3,则在空余位置补0。在其他实施例中可根据图像分辨率、产品特性、现场环境等多种因素自行设置子区域的尺寸,在此不做赘述。
优选地,在本发明一个实施例中,为了保证图像的质量,在获取表面外观图像之后还需要利用高斯滤波算法处理表面外观图像,去除图像中的噪声。需要说明的是高斯滤波算法是通过官司滤波器对图像进行卷积运算,之后对边界像素采取边界处理,进而实现对整张图像的平滑,具体算法为本领域技术人员熟知的技术手段,在此不做赘述。
步骤S2:预设迭代阈值分割算法中初始的分割阈值和截止阈值;根据迭代阈值分割算法对表面外观图像进行迭代分割,每次分割过程结束后需要更新分割阈值;在每次分割过程中,根据每个子区域内像素值相对于分割阈值的差异分布特征获得每个子区域的第一修正系数,获得每个子区域相对于其他所有子区域之间第一修正系数的偏差值,根据子区域内相对于之前分割结果的变化程度,获得分割变化特征,根据偏差值和分割变化特征获得每个子区域的第二修正系数;在第一次分割过程中,根据子区域的第一修正系数修正截止阈值,获得子区域的更新截止阈值;除第一次分割过程外的每一次分割过程中,根据子区域的第二修正系数修正前一次分割过程的更新截止阈值,获得新的更新截止阈值;根据每个子区域对应的分割阈值与更新截止阈值之间的关系控制迭代阈值分割算法的启停,将停止时子区域对应的分割阈值作为最终分割阈值,根据最终分割阈值获得每个子区域的最终分割结果。
在利用迭代阈值分割算法对表面外观图像进行分割之前需要设置初始的分割阈值和截止阈值,需要说明的是,在该算法中需要按照阈值更新公式一步步对初始阈值进行迭代更新,直至获得的阈值满足截止条件,在常规算法中初始的分割阈值是通过计算图像中最大像素值和最小像素值的均值得到的,因此首先根据表面外观图像中的最大像素和最小像素确定初始的分割阈值。截止条件是控制更新启停的重要条件,主要是通过截止阈值与分割阈值之间的关系判断是否满足截止条件,对于一个子区域而言,若截止阈值过大,会导致图像分割结果不准确;过小则会使分割阈值收敛变慢,增加较多计算量。因此在后续过程中利用图像中阴影区域像素和明亮区域像素分布的特点,每个子区域都有特定的截止阈值更新方法,因为明亮部分区域部分不会出现欠分割情况,因此可以设置较大的截止阈值;因为阴影部分较多的区域容易出现欠分割情况,因此可以设置较小的截止阈值,进而确定每个子区域最适合的截止条件。
在本发明一个实施例中将初始的截止阈值设置为15。
在本发明实施例中,迭代阈值分割算法对表面外观图像进行分割时,每次分割过程结束后均需要更新分割阈值,具体为:分割阈值将表面外观图像划分为两类分割区域,分别计算两类分割区域的平均灰度值,将两类分割区域的平均灰度值相加除以二,获得更新后的分割阈值。
并且在每次分割过程中,需要考虑子区域内的像素值大小以及像素分布的情况,若子区域内像素值较小的像素点分布较多,则说明子区域内阴暗部分较多,对应的截止阈值应为较小的数值。因此本发明实施例利用像素值相对于分割阈值的差异分布来表示子区域内的像素值大小和分布特征,进而获得第一修正系数。即第一修正系数能够表征当前子区域内的像素分布情况,在后续更新过程中具有很重要的参考意义。
优选地,在本发明一个实施例中,第一修正系数的获取方法包括:
获取子区域内每个像素点的灰度值与分割阈值的灰度差值;将灰度差值进行负相关映射并将值域限定在预设正数区间内,获得每个灰度差值的加权权重;子区域内的每个像素点对应的灰度差值与加权权重相乘,获得每个像素点的加权灰度差异;将子区域内的所有像素点的平均加权灰度差异归一化处理后获得第一修正系数。在本发明一个实施例中第一修正系数用公式表示为:
;
其中,为第一修正系数,/>为归一化函数,/>为子区域内像素点的数量,/>为子区域内第/>个像素点的灰度值,/>为截止阈值,/>为对应灰度差异的加权权重。在本发明一个实施例中,将正数区间设置为[0.5,1]。
在第一修正系数的公式中,计算子区域内每个像素点的灰度值与分割阈值的灰度差值,差值越小说明对应像素点的像素值越小,子区域内越暗,因为灰度差值存在正负号,因此将灰度差值负相关映射并限定值域,使得灰度差值越小对应的加权权重越大,利用加权权重可以放大灰度差值较小数据的信息,即通过求平均后所得的第一修正系数的最终结果中,当子区域内出现较多灰度值较小的像素点时,说明子区域内阴影部分较多,对应的第一修正系数越趋近于0,则在后续更新截止阈值过程的中,截止阈值会更新为一个较小的值,使得子区域内存在较多的迭代次数,进而实现准确的分割;反之,当子区域内出现较多灰度值较大的像素点时,说明子区域内较为明亮,像素信息较为清楚,第一修正系数会趋近于1,则后续更新过程中的截止阈值也会较大,需要迭代的次数较少。
需要说明的是,本发明实施例中的归一化算法具体可采用极差标准化、函数映射等多种方法进行实现,其具体为本领域技术人员熟知的技术手段,在此不做赘述及限定。
由于主机电源的外壳通常为平坦光滑的,因此其表面的光线强度会按照一定方向产生渐变,则在图像中表现为相邻区域间的像素值有规律的升高或者降低。因为第一修正系数能够表征每个子区域的像素分布情况,因此将第一修正系数作为数据参考,获得每个子区域相对于其他所有子区域之间第一修正系数的偏差值,因为没有出现机械损伤的情况下子区域之间的的第一修正系数会有规律性的增加或者减小,不会产生较大的波动,如果存在某个子区域的偏差值较大,则说明该区域出现损伤的可能性较高,则在后续过程中应该降低对应区域的截止阈值,保证缺陷区域能够被准确区分出来。
优选地,在本发明一个实施例中,偏差值的获取方法包括:
将所有子区域的第一修正系数依次排序获得第一修正系数序列。设定分析方向为水平方向和垂直方向,即在这两个方向上分析每个子区域相对于整体其他子区域之间第一修正系数的偏差情况,因此利用最小二乘法拟合第一修正系数序列,获得水平方向拟合直线和垂直方向拟合直线。获得每个子区域对应的第一修正系数与水平方向拟合直线之间的横向偏差;获得每个子区域对应的第一修正系数与垂直方向拟合直线之间的竖向偏差,将横向偏差和竖向偏差的和作为对应子区域的偏差值。
需要说明的是,最小二乘法拟合某个方向下的直线的获取方法为本领域技术人员熟知的技术手段,在此不做赘述及限定。并且横向偏差和竖向偏差也为本领域技术人员熟知的技术手段,具体可通过第一修正系数与直线之间的距离、第一修正系数与直线上每个数据点差异的平均值等多种方法进行获得,在此不做限定及赘述。
进一步考虑到迭代阈值算法的阈值更新过程中,因为分割阈值在不断变化,则分割出来的图像结果是不断变化的,每个子区域之间的变化程度同样不同。当某个子区域中有较多像素点的像素值与分割阈值接近时,则分割结果的变化程度就会较大,说明当前子区域内分割效果并不清楚,因此需要多次迭代更新分割阈值。因为机械损伤所属的缺陷区域像素点集中性较强,这类像素在迭代过程中会始终被分割出来,即这类像素点在分割过程中不会产生较大的变化。因此在某次分割过程中,可通过分析子区域内相对于之前分割结果的变化程度,获得分割变化特征,利用分割变化特征表征当前子区域内像素分布对分割结果变化的影响。
优选地,在本发明一个实施例中分割变化特征的获取方法包括:
在每次分割过程中,分割阈值将子区域划分为两类分割区域,因为机械损伤导致的缺陷区域灰度值较小,因此将灰度值最小的一类分割区域作为目标区域。统计子区域在前一次分割过程与本次分割过程的分割结果产生变化的像素点,作为第一待分析像素点;统计子区域在前一次分割过程与本次分割过程中均被分为目标区域的像素点,作为第二待分析像素点。
在表面外观图像中,获得第二待分析像素点的横坐标方差和纵坐标方差,以横坐标方差和纵坐标方差的和值作为子区域的目标分布特征,即目标分布特征越小说明第二待分析像素点分布越集中,当前子区域内越可能存在缺陷区域。将第一待分析像素点的数量与目标分布特征的比值作为对应子区域在本次分割过程中的分割变化特征,第一待分析像素点数量越多,说明当前子区域在分割过程中变化程度越大;目标分布特征越小,说明第二待分析像素点越集中;即第一待分析像素点数量越多,目标分布特征越小,说明当前子区域相对于前一次分割结果而言,产生变化的像素点越多的同时存在集中分布的第二待分析像素点,则说明当前子区域需要较小的截止阈值以使得能够多次迭代准确分割出缺陷区域。
在本发明一个实施例中,分割变化特征的公式表示为:
;
其中,为分割变化特征,/>为第二待分析像素点的数量,/>为第/>个第二待分析像素点的横坐标,/>为第二待分析像素点的平均横坐标,/>为第/>个第二待分析像素点的纵坐标,/>为第二待分析像素点的平均纵坐标,/>为第一待分析像素点的数量。
因为偏差值代表子区域相对于其他子区域的特异性,分割变化特征表征子区域的像素分布对分割过程中产生的影响,因此可结合偏差值和分割变化特征获得第二修正系数。
优选地,在本发明一个实施例中,考虑到偏差值越大、分割变化特征越大说明当前子区域较为特殊的同时还存在较大的分割变化,则说明需要较小的截止阈值,以使得能够迭代多次准确分割出子区域内的目标区域,因此分别将偏差值和分割变化特征进行负相关映射后并将负相关映射结果相乘,获得第二修正系数。即偏差值和分割变化特征越大,第二修正系数越小。在本发明一个实施例中第二修正系数具体用公式表示为:
;
其中,为第二修正系数,/>为分割变化特征,/>为偏差值。在第二修正系数公式中,考虑到分割变化特征不存在为0的情况,因此直接将其倒数作为负相关映射结果,偏差值可能存在为0的情况,因此在倒数的同时在分母加上正整数1,防止分母为0。
因为第一次分割过程中,不存分割结果的变化,因此本发明实施例在第一次分割过程中仅根据第一修正系数修正截止阈值,获得子区域的更新截止阈值。除第一次分割过程外的每一次分割过程均可以分析分割结果的变化,并且第二修正系数包含一定第一修正系数的信息,因此在除第一次分割过程外的每一次分割过程中,根据子区域的第二修正系数修正前一次分割过程产生的更新截止阈值,获得新的更新截止阈值。通过不断更新分割阈值和更新截止阈值,根据分割阈值和更新截止阈值之间的关系即可控制迭代阈值分割算法的启停,当某个子区域内的迭代停止时,此时对应的分割阈值即为最终分割阈值,最终分割阈值对应的分割结果即为最终分割结果。
优选地,在本发明一个实施例中,更新截止阈值的获取方法包括:
在第一次分割过程中,将初始的所述截止阈值与所述第一修正系数相乘,获得所述更新截止阈值。即第一修正系数越小,说明子区域内阴影部分较多,需要将截止阈值调小,使得能够有较多的迭代次数将子区域内的信息分割出来。
除第一次分割过程外的每一次所述分割过程中,将前一次分割过程的更新截止阈值与本次分割过程对应所述子区域的所述第二修正系数相乘,获得本次分割过程的所述更新截止阈值。即第二修正系数越小,说明当前子区域内大概率存在机械损伤造成的缺陷区域,并且变化比较大,分割结果不稳定,需要将截止阈值调小,使得能够有较多的迭代次数将子区域内的信息分割出来。
优选地,在本发明一个实施例中,根据每个子区域对应的分割阈值与更新截止阈值之间的关系控制迭代阈值分割算法的启停,包括:
当本次分割过程中更新后的分割阈值与前一次分割过程中的分割阈值之间的差值小于本次分割过程的更新截止阈值,则判断停止迭代阈值分割算法;否则继续更新分割阈值和更新截止阈值。
步骤S3:根据每个子区域的最终分割结果判断表面外观图像中的缺陷情况。
因为每个子区域均对应一个最终分割阈值,即对应一个最终分割结果,因此获得每个子区域的最终分割结果后即可获得整个表面外观图像的分割结果。对于主机电源外观而言,其损伤缺陷具有特殊的形状、大小或者分布特征,可直接分析分割出来的目标区域的特征,进而判断当前主机电源外壳上是否发生缺陷或者判定缺陷类型。需要说明的是,具体可通过神经网络、图像匹配等多种现有方法进行实现,在此不做赘述及限定。
优选地,在本发明一个实施例中,考虑到缺陷区域均为明显的小面积集中区域,因此将所有子区域的最终分割结果构成表面外观图像的分割图像;根据分割图像中目标区域的大小和分布判断主机电源外观是否存在缺陷。具体可通过设置阈值或者神经网络等方法进行判断,在此不做限定及赘述。
综上所述,本发明实施例将主机电源的表面外观图像划分成多个子区域,通过分析迭代阈值分割算法过程中每个子区域内的像素分布和分割结果的变化,确定第一修正参数和第二修正参数。在第一次分割过程中利用第一修正参数更新截止阈值,在后续分割过程中利用第二修正参数更新截止阈值,进而获得每个子区域对应的最终分割阈值和最终分割结果,利用最终分割结果判断表面外观图像中的缺陷情况。本发明通过自适应获得主机电源表面外观图像中各个子区域的截止阈值,获得准确的分割阈值,根据准确的分割结果进行质量检测,提高了检测的精度和效果。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种基于机器视觉的主机电源外观质量检测方法,其特征在于,所述方法包括:
获取主机电源的表面外观图像;在所述表面外观图像上均匀划分成多个子区域;
预设迭代阈值分割算法中初始的分割阈值和截止阈值;根据所述迭代阈值分割算法对所述表面外观图像进行迭代分割,每次分割过程结束后需要更新分割阈值;在每次分割过程中,根据每个子区域内像素值相对于分割阈值的差异分布特征获得每个子区域的第一修正系数,获得每个子区域相对于其他所有子区域之间第一修正系数的偏差值,根据所述子区域内相对于之前分割结果的变化程度,获得分割变化特征,根据所述偏差值和所述分割变化特征获得每个子区域的第二修正系数;在第一次分割过程中,根据所述子区域的所述第一修正系数修正所述截止阈值,获得所述子区域的更新截止阈值;除第一次分割过程外的每一次所述分割过程中,根据所述子区域的所述第二修正系数修正前一次分割过程的更新截止阈值,获得新的更新截止阈值;根据每个子区域对应的分割阈值与更新截止阈值之间的关系控制所述迭代阈值分割算法的启停,将停止时所述子区域对应的分割阈值作为最终分割阈值,根据所述最终分割阈值获得每个所述子区域的最终分割结果;
根据每个子区域的所述最终分割结果判断所述表面外观图像中的缺陷情况。
2.根据权利要求1所述的一种基于机器视觉的主机电源外观质量检测方法,其特征在于,所述获取主机电源的表面外观图像之后还包括对所述表面外观图像利用高斯滤波算法进行平滑处理。
3.根据权利要求1所述的一种基于机器视觉的主机电源外观质量检测方法,其特征在于,所述第一修正系数的获取方法包括:
获取所述子区域内每个像素点的灰度值与所述分割阈值的灰度差值;将所述灰度差值进行负相关映射并将值域限定在预设正数区间内,获得每个灰度差值的加权权重;所述子区域内的每个像素点对应的所述灰度差值与所述加权权重相乘,获得每个像素点的加权灰度差异;将所述子区域内的所有像素点的平均加权灰度差异归一化处理后获得所述第一修正系数。
4.根据权利要求1所述的一种基于机器视觉的主机电源外观质量检测方法,其特征在于,所述偏差值的获取方法包括:
将所有所述子区域的所述第一修正系数依次排序获得第一修正系数序列,利用最小二乘法拟合所述第一修正系数序列,获得水平方向拟合直线和垂直方向拟合直线;获得每个所述子区域对应的所述第一修正系数与所述水平方向拟合直线之间的横向偏差;获得每个所述子区域对应的所述第一修正系数与所述垂直方向拟合直线之间的竖向偏差,将所述横向偏差和所述竖向偏差的和作为对应所述子区域的所述偏差值。
5.根据权利要求1所述的一种基于机器视觉的主机电源外观质量检测方法,其特征在于,所述分割变化特征的获取方法包括:
在每次分割过程中,所述分割阈值将所述子区域划分为两类分割区域,将灰度值最小的一类分割区域作为目标区域,统计所述子区域在前一次分割过程与本次分割过程的分割结果产生变化的像素点,作为第一待分析像素点;统计所述子区域在前一次分割过程与本次分割过程中均被分为所述目标区域的像素点,作为第二待分析像素点;
在所述表面外观图像中,获得所述第二待分析像素点的横坐标方差和纵坐标方差,以所述横坐标方差和所述纵坐标方差的和值作为所述子区域的目标分布特征,将所述第一待分析像素点的数量与所述目标分布特征的比值作为对应子区域在本次分割过程中的所述分割变化特征。
6.根据权利要求1所述的一种基于机器视觉的主机电源外观质量检测方法,其特征在于,所述第二修正系数的获取方法包括:
分别将所述偏差值和所述分割变化特征进行负相关映射后并将负相关映射结果相乘,获得所述第二修正系数。
7.根据权利要求6所述的一种基于机器视觉的主机电源外观质量检测方法,其特征在于,所述更新截止阈值的获取方法包括:
在第一次分割过程中,将初始的所述截止阈值与所述第一修正系数相乘,获得所述更新截止阈值;
除第一次分割过程外的每一次所述分割过程中,将前一次分割过程的更新截止阈值与本次分割过程对应所述子区域的所述第二修正系数相乘,获得本次分割过程的所述更新截止阈值。
8.根据权利要求1所述的一种基于机器视觉的主机电源外观质量检测方法,其特征在于,所述分割阈值的更新方法包括:
所述分割阈值将所述表面外观图像划分为两类分割区域,分别计算两类分割区域的平均灰度值,将两类分割区域的平均灰度值相加除以二,获得更新后的所述分割阈值。
9.根据权利要求1所述的一种基于机器视觉的主机电源外观质量检测方法,其特征在于,所述根据每个子区域对应的分割阈值与更新截止阈值之间的关系控制所述迭代阈值分割算法的启停,包括:
当本次分割过程中更新后的所述分割阈值与前一次分割过程中的所述分割阈值之间的差值小于本次分割过程的更新截止阈值,则判断停止所述迭代阈值分割算法;否则继续更新所述分割阈值和所述更新截止阈值。
10.根据权利要求5所述的一种基于机器视觉的主机电源外观质量检测方法,其特征在于,所述根据每个子区域的所述最终分割结果判断所述表面外观图像中的缺陷情况包括:
所有所述子区域的所述最终分割结果构成所述表面外观图像的分割图像;根据所述分割图像中所述目标区域的大小和分布判断主机电源外观是否存在缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311586658.0A CN117291924B (zh) | 2023-11-27 | 2023-11-27 | 基于机器视觉的主机电源外观质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311586658.0A CN117291924B (zh) | 2023-11-27 | 2023-11-27 | 基于机器视觉的主机电源外观质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117291924A CN117291924A (zh) | 2023-12-26 |
CN117291924B true CN117291924B (zh) | 2024-02-09 |
Family
ID=89252161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311586658.0A Active CN117291924B (zh) | 2023-11-27 | 2023-11-27 | 基于机器视觉的主机电源外观质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117291924B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117764981B (zh) * | 2024-01-11 | 2024-05-10 | 东莞市中钢模具有限公司 | 基于机器视觉的注塑模具质量在线检测系统 |
CN117934474B (zh) * | 2024-03-22 | 2024-06-11 | 自贡市第一人民医院 | 一种肠胃镜检影像增强处理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113903455A (zh) * | 2016-08-02 | 2022-01-07 | 阿特拉斯5D公司 | 在保护隐私的同时识别人及/或识别并量化疼痛、疲劳、情绪及意图的系统及方法 |
CN115578389A (zh) * | 2022-12-08 | 2023-01-06 | 青岛澳芯瑞能半导体科技有限公司 | 一种沟槽mos器件的缺陷检测方法 |
CN115601367A (zh) * | 2022-12-15 | 2023-01-13 | 苏州迈创信息技术有限公司(Cn) | 一种led灯芯缺陷检测方法 |
-
2023
- 2023-11-27 CN CN202311586658.0A patent/CN117291924B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113903455A (zh) * | 2016-08-02 | 2022-01-07 | 阿特拉斯5D公司 | 在保护隐私的同时识别人及/或识别并量化疼痛、疲劳、情绪及意图的系统及方法 |
CN115578389A (zh) * | 2022-12-08 | 2023-01-06 | 青岛澳芯瑞能半导体科技有限公司 | 一种沟槽mos器件的缺陷检测方法 |
CN115601367A (zh) * | 2022-12-15 | 2023-01-13 | 苏州迈创信息技术有限公司(Cn) | 一种led灯芯缺陷检测方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN117291924A (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117291924B (zh) | 基于机器视觉的主机电源外观质量检测方法 | |
CN106595522B (zh) | 一种光栅投影三维测量系统的误差校正方法 | |
CN111539935B (zh) | 一种基于机器视觉的电缆表面缺陷在线检测方法 | |
CN110933926B (zh) | 一种基于角点检测的贴片机吸嘴元件角度的自动校正方法 | |
CN114494210B (zh) | 基于图像处理的塑料膜生产缺陷检测方法及系统 | |
CN115829883A (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN108876743A (zh) | 一种图像快速去雾方法、系统、终端及存储介质 | |
CN115187602A (zh) | 基于图像处理的注塑件缺陷检测方法及系统 | |
CN107490582B (zh) | 一种流水线工件检测系统 | |
CN115994904B (zh) | 基于计算机视觉的挂烫机面板生产质量检测方法 | |
CN117314924B (zh) | 基于图像特征的电镀产品表面瑕疵检测方法 | |
CN115170669A (zh) | 基于边缘特征点集配准的识别定位方法及系统、存储介质 | |
CN111739012A (zh) | 基于转盘的摄像头模组白斑检测系统 | |
CN108961307A (zh) | 基于核相关滤波跟踪的圆形目标尺度自适应跟踪方法 | |
CN111754538A (zh) | Usb表面缺陷检测的阈值分割方法 | |
CN115597512A (zh) | 一种汽车间隙测量及误差矫正方法 | |
CN117372435A (zh) | 基于图像特征的连接器针脚检测方法 | |
CN117671033A (zh) | 一种基于夜间灯光追踪的相机像主点快速定标方法和系统 | |
CN112102189A (zh) | 一种线结构光光条中心线提取方法 | |
CN113567058B (zh) | 基于人工智能和视觉感知的光源参数调节方法 | |
CN114140426A (zh) | 一种湿度传感器陶瓷基片印刷碳线图像处理倾斜矫正算法 | |
CN109272462B (zh) | 适用于金属工件识别的图像自校正方法、设备及存储设备 | |
CN107633493B (zh) | 一种适用于工业检测的自适应背景扣除的方法 | |
CN116503481B (zh) | 基于图像视觉引导的自动泊车位姿检测系统 | |
CN107633806B (zh) | Led显示装置遮挡校正处理方法 |
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 |