CN117309759A - 缺陷检测系统、方法、电子设备和存储介质 - Google Patents
缺陷检测系统、方法、电子设备和存储介质 Download PDFInfo
- Publication number
- CN117309759A CN117309759A CN202311132386.7A CN202311132386A CN117309759A CN 117309759 A CN117309759 A CN 117309759A CN 202311132386 A CN202311132386 A CN 202311132386A CN 117309759 A CN117309759 A CN 117309759A
- Authority
- CN
- China
- Prior art keywords
- image
- angle
- shooting
- defect detection
- under
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 161
- 230000007547 defect Effects 0.000 title claims abstract description 152
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 title abstract description 31
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 239000004744 fabric Substances 0.000 claims description 56
- 239000004753 textile Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000005520 cutting process Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 8
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000009940 knitting Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000000605 extraction Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 238000009954 braiding Methods 0.000 description 5
- 238000005304 joining Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 229920000742 Cotton Polymers 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 229910044991 metal oxide Inorganic materials 0.000 description 2
- 150000004706 metal oxides Chemical class 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000009958 sewing Methods 0.000 description 1
- 238000009987 spinning Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 238000009941 weaving 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- 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
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
- G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
- G01N21/898—Irregularities in textured or patterned surfaces, e.g. textiles, wood
- G01N21/8983—Irregularities in textured or patterned surfaces, e.g. textiles, wood for testing textile webs, i.e. woven material
-
- 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)
- Textile Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Wood Science & Technology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供一种缺陷检测系统、方法、电子设备和存储介质,其中系统包括角度测量装置、处理器和图像采集装置;角度测量装置用于测量待检测物体的旋转角度,并将旋转角度传输至处理器;处理器用于确定待检测物体在单个旋转周期内的各拍摄角度,并在旋转角度为各拍摄角度中的任一角度的情况下,控制图像采集装置进行图像采集;图像采集装置用于采集待检测物体在各拍摄角度下的表面图像,并将各拍摄角度下的表面图像传输至处理器;处理器还用于基于各拍摄角度下的表面图像,对待检测物体进行缺陷检测。本发明提供的系统、方法、电子设备和存储介质,检测识别效果好、成本低、适用性强。
Description
技术领域
本发明涉及机器视觉技术领域,尤其涉及一种缺陷检测系统、方法、电子设备和存储介质。
背景技术
在纬编针织生产过程中,由于织针损坏等原因导致布面产生瑕疵,这种布被称为次布。为了确保生产出高质量的布料,需要对布面进行缺陷检测。
目前,关于纬编针织的布面缺陷检测主要有两种方式:一种是基于激光,通过在织机的针盘位置架设激光源,根据光线反射与否来判断织针是否损坏,以此判断生产的布面状态;另一种是基于多相机,相机随着布面做周期运动,每个相机分别负责对应角度的缺陷检测,通过记录初始布面信息,将检测阶段的图像提取的特征与初始布面信息进行对比,以判断布面是否存在缺陷。
然而,上述方式存在一些问题,基于激光的方式稳定性较差,由于纬编生产环境中漂浮棉絮较多,容易遮挡接收器导致误识,以致频繁停机影响生产;而基于多相机的方式硬件成本较高,需要成倍的相机以及对应的接口,不同相机不同的角度需要额外的参数设置,以确保多相机之间的同步和校准,操作复杂、易用性差,而且无法有效建立不同帧图像的时空相关性,导致检测识别效果有限。
发明内容
本发明提供一种缺陷检测系统、方法、电子设备和存储介质,用以解决现有技术中缺陷检测识别效果较差、成本高、易用性差的缺陷。
本发明提供一种缺陷检测系统,包括角度测量装置、处理器和图像采集装置;
所述角度测量装置用于测量待检测物体的旋转角度,并将所述旋转角度传输至所述处理器;
所述处理器用于确定待检测物体在单个旋转周期内的各拍摄角度,并在所述旋转角度为所述各拍摄角度中的任一角度的情况下,控制所述图像采集装置进行图像采集;
所述图像采集装置用于采集所述待检测物体在所述各拍摄角度下的表面图像,并将所述各拍摄角度下的表面图像传输至所述处理器;
所述处理器还用于基于所述各拍摄角度下的表面图像,对所述待检测物体进行缺陷检测。
根据本发明提供的一种缺陷检测系统,所述处理器包括:
第一缺陷检测单元,用于基于所述各拍摄角度下的表面图像的图像特征,以及所述各拍摄角度下的特征中心点,对所述各拍摄角度下的表面图像进行缺陷检测;
所述特征中心点基于多个旋转周期在一个拍摄角度下采集的样本图像的图像特征确定。
根据本发明提供的一种缺陷检测系统,所述第一缺陷检测单元包括:
聚类子单元,用于对所述多个旋转周期在各拍摄角度下采集的样本图像的图像特征进行聚类,得到所述各拍摄角度下的特征中心点;
第一检测子单元,用于计算各拍摄角度下的表面图像的图像特征与所述各拍摄角度下的特征中心点之间的特征相似度,并基于所述特征相似度确定所述各拍摄角度下的缺陷检测结果。
根据本发明提供的一种缺陷检测系统,所述处理器包括:
第二缺陷检测单元,用于将所述各拍摄角度下的表面图像拼接为全景图像,并基于所述全景图像进行缺陷检测。
根据本发明提供的一种缺陷检测系统,所述第二缺陷检测单元包括:
拼接子单元,用于从所述各拍摄角度下的表面图像中确定出首尾相接处的衔接表面图像,裁剪所述衔接表面图像在所述首尾相接处的重叠区域,并将裁剪后的衔接表面图像与其他表面图像进行拼接,得到全景图像;
第二检测子单元,用于基于所述全景图像进行缺陷检测。
根据本发明提供的一种缺陷检测系统,所述处理器还包括:
角度计算单元,用于基于所述待检测物体与所述图像采集装置之间的距离、所述图像采集装置的装置参数以及所述待检测物体的尺寸,确定所述单个旋转周期内的最小拍摄数量以及图像覆盖角度,并基于所述最小拍摄数量和所述图像覆盖角度,得到所述各拍摄角度。
根据本发明提供的一种缺陷检测系统,所述待检测物体为设置在纺织圆盘机内部的布面,所述角度检测装置设置在所述纺织圆盘机的中心转轴处。
本发明还提供一种缺陷检测方法,包括:
获取角度测量装置测量的待检测物体的旋转角度;
在所述旋转角度为所述待检测物体在单个旋转周期内的各拍摄角度中的任一角度的情况下,控制图像采集装置进行图像采集;
获取所述图像采集装置采集得到的所述待检测物体在所述各拍摄角度下的表面图像;
基于所述各拍摄角度下的表面图像的图像特征,以及所述各拍摄角度下的特征中心点,对所述待检测物体进行缺陷检测,所述特征中心点基于多个旋转周期在一个拍摄角度下采集的样本图像的图像特征确定;或者,将所述各拍摄角度下的表面图像拼接为全景图像,并基于所述全景图像对所述待检测物体进行缺陷检测。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述缺陷检测方法。
本发明还提供一种非暂态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如上述任一种所述缺陷检测方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述缺陷检测方法。
本发明提供的一种缺陷检测系统、方法、电子设备和存储介质,通过预先确定待检测物体在单个旋转周期内的各拍摄角度,并利用角度测量装置对待检测物体的旋转角度进行测量,从而可以在待检测物体旋转至各拍摄角度中的任一角度的情况下,对待检测物体的表面图像进行采集,以实现基于各拍摄角度下的表面图像,对待检测物体进行缺陷检测,由此可以自动识别待检测物体表面的状态,准确实时、适用性强,而且可以避免在不同角度架设多个相机引起的额外成本开销以及多相机之间的同步和校准问题,提高检测识别效果。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图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是本发明提供的缺陷检测系统的结构示意图之一;
图2是本发明提供的工业相机视野计算的示意图;
图3是本发明提供的第一编码器的结构示意图;
图4是本发明提供的第二编码器和定位识别器的结构示意图;
图5是本发明提供的缺陷检测系统的结构示意图之二;
图6是本发明提供的系统整体运行的流程示意图;
图7是本发明提供的缺陷检测方法的流程示意图;
图8是本发明提供的电子设备的结构示意图。
附图标记:
110、角度测量装置;120、处理器;130、图像采集装置;131、工业相机;132、光源;510、织机布壁;520、中心转轴;530、固定支架;540:针盘。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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作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。
针织纺织是纺织行业中重要且历史悠久的组成,其主要工序是通过原材料如棉纱、化纤等织造形成胚布,之后通过印染整理形成针织面料,再对针织面料进行成衣缝制形成针织服饰。其中,胚布的生产工艺分为纬编针织和经编针织,在纬编针织生产过程中,由于织针损坏等原因,布面可能会产生瑕疵,这种布被称为次布。为了确保生产出高质量的布料,需要对布面进行缺陷检测。
目前,关于纬编针织的布面缺陷检测主要有两种方式:一种是基于激光,通过在织机的针盘位置架设激光源,根据光线反射与否来判断织针是否损坏,以此判断生产的布面状态。另一种是基于成像设备:1)采用多相机方案,相机随着布面做周期运动,每个相机分别负责对应角度的瑕疵检测,通过注册初始布面信息,将检测阶段的图像提取的特征与注册阶段的初始布面信息对比,识别当前布面状态,特征提取往往采用传统的图像滤波方式;2)采用单相机和速度注册的方案,开始时记录织机转速以及初始布面状态,运行过程中按照时间顺序对图像进行特征提取,提取的特征通过记录的织机转速与初始布面状态进行对比,以判断布面是否存在缺陷。
然而,现有的纬编缺陷检测方案中,基于激光的方式稳定性差,由于纬编生产环境中漂浮棉絮较多,容易遮挡接收器导致误识,以致频繁停机影响生产。基于成像设备的方式适用性、易用性、识别效果相对较差,一方面,基于速度的方案对输入有要求,需要提前对织机转速进行评估,并存储布面初始状态信息,一旦织机转速发生变化,则需要重新校准;另一方面,基于多相机的方案硬件成本较高,需要成倍的相机以及对应的接口,并且传统算法识别目标,不同相机不同角度需要额外的参数设置,以确保多相机之间的同步和校准,导致系统设置和调试操作复杂,且无法有效建立不同帧图像的时空相关性,导致检测识别效果有限。
对此,本发明实施例提供一种缺陷检测系统,以克服上述问题。本发明实施例提供的缺陷检测系统应用于工业质检领域,主要涉及利用机器视觉实现纬编质检的场景,还可以推广应用至其他周期多角度图像识别的工业场景,通过获取周期转动的物体固定角度的表面图像,以便于划定检测区域并基于各表面图像进行缺陷检测。
图1是本发明提供的缺陷检测系统的结构示意图之一,如图1所示,该系统包括角度测量装置110、处理器120和图像采集装置130;
所述角度测量装置110,用于测量待检测物体的旋转角度,并将所述旋转角度传输至所述处理器;
所述处理器120,用于确定待检测物体在单个旋转周期内的各拍摄角度,并在所述旋转角度为所述各拍摄角度中的任一角度的情况下,控制所述图像采集装置进行图像采集;
所述图像采集装置130,用于采集所述待检测物体在所述各拍摄角度下的表面图像,并将所述各拍摄角度下的表面图像传输至所述处理器;
所述处理器120,还用于基于所述各拍摄角度下的表面图像,对所述待检测物体进行缺陷检测。
具体地,待检测物体是指可以进行周期旋转的物体,例如,待检测物体可以是纬编针织场景下随着织机同步周期转动的布面。角度测量装置110是一种用于测量物体旋转角度的设备,其通常使用传感器来测量物体的旋转角度,并将测量结果以数字或模拟信号的形式输出,例如,角度测量装置110可以是光栅式角度编码器。光栅式角度编码器由光栅盘和光电传感器组成,当光栅盘旋转时,会产生脉冲信号,通过测量脉冲信号的数量和间隔时间,可以确定角度的变化,从而测量得到待检测物体的旋转角度。
可以理解的是,图像采集装置130是一种用于获取待检测物体的表面图像的设备,例如,图像采集装置130可以包括工业相机,工业相机可以通过网线、USB连接线或者MIPI(Mobile Industry Processor Interface,移动产业处理器接口)线和处理器相连。图像采集装置130还可以包括光源,光源类型可以为环形光、面光或者条形光,打光方式可以采用背光、高角度光、低角度光、同轴光等,具体的光源类型和打光方式可以根据实际应用场景进行选择,本发明实施例对此不作具体限定。
在对待检测物体进行图像采集之前,需要预先确定在单个旋转周期内所需要的最小拍摄数量以及相对应的各拍摄角度,以确保在待检测物体旋转一周的过程中,可以采集得到待检测物体对应的所有表面图像。此处的单个旋转周期即是指待检测物体在旋转一周的过程中所经历的周期,处理器120可以根据待检测物体到工业相机的距离、工业相机参数以及待检测物体的尺寸等,计算得到单个旋转周期内的各拍摄角度。
在确定待检测物体在单个旋转周期内的各拍摄角度后,即可开始进行缺陷检测,通过角度测量装置110实时测量待检测物体的旋转角度,并将旋转角度传输至处理器120,当处理器120检测到待检测物体当前的旋转角度为各拍摄角度中的任一角度的情况下,发送控制信号至图像采集装置130,以使图像采集装置130对待检测物体进行图像采集。本发明实施例中,通过基于角度测量装置110测量的旋转角度来触发图像采集,不依赖特定转速,系统的适用性更强。
在一实施例中,图像采集装置130在获取到任一拍摄角度下的表面图像后,可以将该拍摄角度下的表面图像传输至处理器120,处理器120在接收到该表面图像后,可以基于该表面图像,对该拍摄角度下的待检测物体进行缺陷检测,随着待检测物体的旋转,即可实现对待检测物体在每个旋转周期内各拍摄角度下的缺陷检测。
在另一实施例中,图像采集装置130在获取到任一拍摄角度下的表面图像后,可以将该表面图像传输至处理器120,处理器120在接收到该拍摄角度下的表面图像后,可以存储该表面图像,直至接收到单个旋转周期内各拍摄角度下的表面图像后,可以将各拍摄角度下的表面图像进行拼接处理,从而基于拼接后的图像进行缺陷检测。本发明实施例基于拼接后的图像进行缺陷检测,效率更高,而且可以对待检测物体在单个旋转周期的多视角重建图像进行完整展示,由此可以使检测结果更加直观。
本发明实施例提供的缺陷检测系统,通过预先确定待检测物体在单个旋转周期内的各拍摄角度,并利用角度测量装置对待检测物体的旋转角度进行测量,从而可以在待检测物体旋转至各拍摄角度中的任一角度的情况下,对待检测物体的表面图像进行采集,以实现基于各拍摄角度下的表面图像,对待检测物体进行缺陷检测,由此可以自动识别待检测物体表面的状态,准确实时、适用性强,而且可以避免在不同角度架设多个相机引起的额外成本开销以及多相机之间的同步和校准问题,提高检测识别效果。
基于上述任一实施例,所述处理器120还包括:
角度计算单元121,用于基于所述待检测物体与所述图像采集装置之间的距离、所述图像采集装置的装置参数以及所述待检测物体的尺寸,确定所述单个旋转周期内的最小拍摄数量以及图像覆盖角度,并基于所述最小拍摄数量和所述图像覆盖角度,得到所述各拍摄角度。
具体地,在对待检测物体进行图像采集之前,可以预先确定在单个旋转周期内所需要的最小拍摄数量以及相对应的各拍摄角度,从而确保在待检测物体旋转一周的过程中,可以采集得到待检测物体完整一圈所对应的所有表面图像。
例如,在对纬编针织生产过程中的布面进行缺陷检测时,图像采集装置可以包括工业相机,上述待检测物体与图像采集装置之间的距离,即是指布面到工业相机的距离,可以将此距离表示为物距D;上述图像采集装置的装置参数即是指工业相机参数,可以包括焦距f、感光CMOS(Complementary Metal-Oxide Semiconductor,互补性氧化金属半导体)原件的横向尺寸w;考虑到在纬编针织生产过程中,布面通常是呈环形位于织机内壁上,因此,上述待检测物体的尺寸可以是织机直径d。
图2是本发明提供的工业相机视野计算的示意图,如图2所示,根据相似三角形对应边成比例,可以确定工业相机的视野W为:
由此可以确定当前工业相机视野下,覆盖布面全部信息所需要的拍摄数量为:
其中,π为圆周率,由于拍摄数量必须为整数,因此需要对公式(2)进行向下取整得到n,而得到的n可能小于m实际的计算结果,因此,为了确保在单个旋转周期内覆盖布面全部信息,可以确定最小拍摄数量为n+1,根据公式(1)和(2),可以得到n为:
设定每张图像的图像覆盖角度为θ,则m还可以表示为:
根据公式(1)、(2)和(4),可以确定图像覆盖角度θ为:
在计算得到最小拍摄数量和图像覆盖角度后,即可确定拍摄角度集合基于拍摄角度集合,即可确定得到待检测物体在单个旋转周期内的各拍摄角度。
本发明实施例提供的系统,通过预先确定待检测物体在单个旋转周期内的各拍摄角度,可以实现在待检测物体旋转至各拍摄角度中的任一角度时触发拍照,从而获取周期转动的物体固定角度的表面图像,以便于划定检测区域,并基于各拍摄角度下的表面图像进行缺陷检测,无需在不同角度架设多个相机,大大降低了检测成本。
基于上述实施例,所述处理器120包括:
第一缺陷检测单元122,用于基于所述各拍摄角度下的表面图像的图像特征,以及所述各拍摄角度下的特征中心点,对所述各拍摄角度下的表面图像进行缺陷检测;
所述特征中心点基于多个旋转周期在一个拍摄角度下采集的样本图像的图像特征确定。
具体地,处理器120可以包括第一缺陷检测单元122,第一缺陷检测单元122可以基于各拍摄角度下的表面图像分别进行缺陷检测。为了提高检测效率,可以在注册阶段预先根据多个旋转周期内每个拍摄角度下采集的样本图像的图像特征进行聚类,得到每个拍摄角度对应的特征中心点,从而在检测阶段,可以对每个拍摄角度下采集的表面图像进行特征提取,并将提取得到的图像特征与该拍摄角度对应的特征中心点进行对比,如果提取得到的图像特征相对于特征中心点偏移较大,则可以确定该拍摄角度对应的待检测物体的表面存在缺陷。
可以理解的是,上述特征中心点即是指在聚类过程中,每个簇的中心点或代表性样本,其代表了该簇中所有样本图像的特征表达。通过将各拍摄角度下的表面图像的图像特征,与各拍摄角度对应的特征中心点进行对比,即可实现对各拍摄角度下的表面图像进行缺陷检测,不仅可以提高缺陷检测结果的准确性,同时还可以提高检测效率。
进一步地,第一缺陷检测单元122可以包括第一图像处理器和第一编码器,第一图像处理器用于对各拍摄角度下的表面图像进行预处理,第一编码器用于对预处理后的图像进行特征提取。例如,为了消除不同表面图像之间的亮度差异和色彩偏差,提高图像处理和分析的准确性和一致性,可以先对各拍摄角度下的表面图像进行归一化处理,处理后的图像输入至第一编码器,通过第一编码器对处理后的图像进行特征提取,得到图像特征。
图3是本发明提供的第一编码器的结构示意图,如图3所示,本发明实施例中的第一编码器可以采用自编码器的结构,其包括编码器和解码器两个部分,编码器包括若干卷积层和一个全局池化层,全局池化层输出特征维度为Cout的特征向量,解码器包括若干卷积层和上采样层。为了提高图像特征提取的准确性,可以采用图像重建的任务来训练得到第一编码器,在前向传播过程中,输入图像通过编码器和解码器,得到输出的重建图像,在反向传播过程中,通过重建图像与输入图像之间的偏差,计算损失函数以及梯度,进行反馈训练,迭代至模型收敛。损失函数可以表示为:
其中img为输入图像,img′为自编码器输出的重建图像,N为样本点个数。
本发明实施例提供的系统,通过基于各拍摄角度下的表面图像的图像特征,以及各拍摄角度下的特征中心点,可以实现对各拍摄角度下的表面图像分别进行缺陷检测,从而能够准确实时地得到检测结果,实现边生产边检测,一旦检测到缺陷,可以及时止损,帮助企业保质保量,提升效益。
基于上述实施例,所述第一缺陷检测单元122包括:
聚类子单元1221,用于对所述多个旋转周期在各拍摄角度下采集的样本图像的图像特征进行聚类,得到所述各拍摄角度下的特征中心点;
第一检测子单元1222,用于计算各拍摄角度下的表面图像的图像特征与所述各拍摄角度下的特征中心点之间的特征相似度,并基于所述特征相似度确定所述各拍摄角度下的缺陷检测结果。
考虑到同一拍摄角度下采集的样本图像理论上变化不大,因此,多个旋转周期内同一拍摄角度下采集的样本图像经过编码后的特征应该属于一个类别或簇,由此可以基于拍摄角度,对多个旋转周期内采集的所有样本图像进行聚类,从而得到各拍摄角度下的特征中心点。
具体地,在对多个旋转周期内各拍摄角度下采集的样本图像的图像特征进行聚类时,可以先通过第一编码器对各拍摄角度下采集的样本图像进行特征提取,得到样本图像的图像特征,随后,可以基于拍摄角度,将图像特征分为不同的类别或簇,每个类别或簇代表了拍摄角度相同或相似的图像特征集合。
根据聚类结果,即可得到每个拍摄角度对应的特征中心点,由于第一编码器的输出向量维度为Cout,聚类后的特征中心点维度也为Cout。因此,聚类得到各拍摄角度下的特征中心点后,即可在检测阶段计算各拍摄角度下的表面图像的图像特征与各拍摄角度下的特征中心点之间的特征相似度,并基于特征相似度确定各拍摄角度下的缺陷检测结果。
例如,对于任一拍摄角度而言,在采集得到该拍摄角度对应的表面图像后,可以先对该表面图像进行归一化处理,并对处理后的图像进行特征提取,得到对应的图像特征;随后,可以计算该图像特征与该拍摄角度对应的特征中心点的距离:
其中,X为任一拍摄角度下的表面图像的图像特征,Y为同一拍摄角度下对应的特征中心点。
如果计算得到的距离大于预设阈值,则表明该拍摄角度下的表面图像的图像特征与该拍摄角度对应的特征中心点之间的差异较大,即二者之间的特征相似度较小,由此可以确定该拍摄角度下的缺陷检测结果为存在缺陷。
基于上述任一实施例,所述处理器120包括:
第二缺陷检测单元123,用于将所述各拍摄角度下的表面图像拼接为全景图像,并基于所述全景图像进行缺陷检测。
具体地,处理器120可以包括第二缺陷检测单元123,在单个旋转周期内,采集得到待检测物体各拍摄角度下的表面图像后,第二缺陷检测单元123可以将各表面图像进行横向拼接,得到全景图像,并基于全景图像进行缺陷检测,从而可以提高检测效率。
在基于全景图像进行缺陷检测时,可以先对全景图像进行预处理,例如,为了提高缺陷检测结果的准确性,可以先对全景图像进行归一化处理,然后对处理后的图像进行特征提取,并基于提取后的图像特征进行目标检测,以识别全景图像中是否存在缺陷。此处,可以选择合适的目标检测网络,并利用训练数据集来训练目标检测网络,从而可以使用训练好的目标检测网络对全景图像进行目标检测。在进行目标检测的过程中,可以通过在全景图像中滑动窗口或采用区域建议方法,生成候选框,并通过目标检测网络进行目标分类和位置回归,从而得到最终的目标检测结果,基于最终的目标检测结果,即可确定全景图像的缺陷检测结果。
本发明实施例提供的系统,通过将各拍摄角度下的表面图像拼接为全景图像,并基于全景图像进行缺陷检测,从而使得工人可以根据全景图像上的位置提示快速找到存在缺陷的位置并及时进行处理。
基于上述实施例,所述第二缺陷检测单元123包括:
拼接子单元1231,用于从所述各拍摄角度下的表面图像中确定出首尾相接处的衔接表面图像,裁剪所述衔接表面图像在所述首尾相接处的重叠区域,并将裁剪后的衔接表面图像与其他表面图像进行拼接,得到全景图像;
第二检测子单元1232,用于基于所述全景图像进行缺陷检测。
具体地,第二缺陷检测单元123可以包括拼接子单元1231和第二检测子单元1232,其中拼接子单元1231用于对各拍摄角度下的表面图像进行裁剪、拼接等预处理,以得到全景图像,第二检测子单元1232用于基于全景图像进行缺陷检测。
考虑到在实际拍摄过程中,由于工业相机的视野有限,最后一张表面图像的边缘可能与第一张表面图像的边缘存在重叠,若直接将所有表面图像拼接起来,重叠区域的像素会重复出现,导致全景图像的边缘出现模糊或重影的问题。为了提高全景图像的质量,可以对存在边缘重叠的表面图像进行裁剪处理,以去除重叠区域的像素,从而使得拼接后的全景图像更加清晰和连续。
在进行裁剪处理之前,可以先确定需要进行裁剪处理的表面图像,由于待检测物体的旋转方向是固定不变的,因此,可以在单个旋转周期内从各拍摄角度下的表面图像中确定出首尾相接处的衔接表面图像,该衔接表面图像即为需要进行裁剪处理的表面图像。
在拍摄时,可以为每张表面图像添加一个时间戳或者帧序号,通过比较时间戳或者帧序号,可以确定哪张表面图像是在单个旋转周期的第一次拍摄时刻捕获的,哪张表面图像是在最后一次拍摄时刻捕获的,由此即可确定首尾相接处的衔接表面图像。可以理解的是,衔接表面图像可以是在单个旋转周期内拍摄的第一张表面图像,也可以是最后一张表面图像。
例如,在单个旋转周期内所需要的最小拍摄数量为n+1,通过为每张表面图像添加帧序号,可以确定帧序号为n+1的表面图像即为最后一张表面图像,可以将该表面图像作为衔接表面图像,并对其进行裁剪处理。针对第n+1张表面图像,可以根据前n张表面图像的覆盖角度的剩余角度等比例对其进行裁剪,该比例符合:
其中,W′为裁剪后的衔接表面图像需要覆盖的横向范围。裁剪完成后,可以将前n张表面图像以及第n+1张裁剪后的表面图像横向进行拼接,构成全景图像。
可以理解的是,在纬编针织生产过程中,通常会预先在布面设置开辐线,以便于后续工人按照开辐线对布料进行裁剪,但在采集的表面图像中,开辐线与需要检测的烂针瑕疵表现为同一种形态,为了避免其被误识别为一种缺陷,可以在布面本身存在开辐线的情况下,将该部分从表面图像中裁剪掉,并将裁剪后的表面图像进行拼接,以得到更准确的全景图像。
为了提高缺陷检测结果的准确性,还可以对拼接后的全景图像进行归一化处理,并将处理后的全景图像输入至第二检测子单元1232,通过第二检测子单元1232提取全景图像空间上的特征,之后对提取到的图像特征进行目标检测,识别得到存在缺陷的位置信息以及类别。
进一步地,第二检测子单元1232可以包括第二编码器和定位识别器,第二编码器用于对处理后的全景图像进行特征提取,定位识别器用于基于提取得到的图像特征进行目标检测,并输出识别目标的位置信息及类别。应理解的是,在对纬编针织的布面进行缺陷测时,可以将布面的异常区域作为识别目标,最终通过定位识别器输出所有可能的目标位置以及缺陷类别。
图4是本发明提供的第二编码器和定位识别器的结构示意图,如图4所示,本发明实施例中的第二编码器采用级联的多层卷积结构,其输入为归一化后的全景图像,输入维度为Cin×W×H,W和H分别为输入图像的宽和高,单位为像素,Cin为图像通道数,Cin=1为单通道的黑白图像,Cin=3为RGB格式的彩色图像,卷积的最后一层使用全局池化层,输出特征维度为Cout的特征向量。定位识别器由两层多层感知器构成,多层感知器为深度学习中的全连接层,定位识别器的输入为第二编码器输出的维度为Cout的特征向量,输出为维度为N×(5+k)的矩阵,其中N为预设的值,代表定位识别器预定的输出框个数;5代表框的中心点x坐标,中心点y坐标,框的宽w,框的高h以及框的得分s;k为预设的缺陷种类,c1到ck为每个缺陷类别的得分。此处的缺陷类别可以包括漏针、多针、断针、烂针、穿孔等。
为了提高图像特征提取以及目标检测的效果,可以训练得到更优的第二编码器和定位识别器,迭代训练的损失函数由回归位置均方误差损失迭加分类交叉熵损失组成,可以表示为:
L2=Lbox+Lcls
其中,对于框的损失函数采用MSE(均方误差),对于类别的损失函数采用FocalLoss,y和y′分别代表真实框的位置和预测框的位置,c和c′分别代表框的真实类别和预测类别,N为样本点个数。通过前向传播得到输出后根据组合损失函数计算梯度,进行反馈训练,迭代至模型收敛。
本发明实施例提供的系统,通过对各拍摄角度下的表面图像进行裁剪、拼接等处理,重建得到完整的全景图像,并利用深度学习模型进行缺陷检测,可以提高检测效率,使用时能够根据实际场景需要输出缺陷识别结果,整体结果展示更加直观。
基于上述任一实施例,图5是本发明提供的缺陷检测系统的结构示意图之二,如图5所示,该检测系统架设在纺织圆盘机上,待检测物体为设置在纺织圆盘机的织机布壁510内壁上的布面,该检测系统包括:角度测量装置110、处理器120以及图像采集装置130,角度测量装置110可以为光栅式角度编码器,其设置在纺织圆盘机的中心转轴520处,处理器120和图像采集装置130可以通过固定支架530安装在纺织圆盘机的针盘540下方。应理解的是,图中的箭头用于表示纺织圆盘机和中心转轴的旋转方向。
处理器120可以包括信号控制器和计算主机,信号控制器和计算主机可以集成在同一设备上,计算主机用于确定待检测物体在单个旋转周期内的各拍摄角度;角度测量装置110与信号控制器连接,用于测量布面的旋转角度,并将旋转角度传输至信号控制器;图像采集装置130可以包括工业相机131,信号控制器与工业相机131连接,用于在旋转角度为各拍摄角度中的任一角度的情况下,触发工业相机131进行拍摄;工业相机131可以通过网线、USB连接线或者MIPI线与计算主机相连,用于将采集布面在各拍摄角度下的表面图像,并将各表面图像传输至计算主机;计算主机还用于基于各拍摄角度下的表面图像,对布面进行缺陷检测。
可以理解的是,图像采集装置130还可以包括光源132,光源类型可以为环形光、面光或者条形光,打光方式可以采用背光、高角度光、低角度光、同轴光等。
图6是本发明提供的系统整体运行的流程示意图,如图6所示,系统运行可以分为三个阶段:
第一阶段,利用布面到工业相机的距离、工业相机参数以及织机直径,计算工业相机的视野,并根据工业相机的视野,确定在单个旋转周期内覆盖布面全部信息所需要的最小拍摄数量n+1以及每张图像的图像覆盖角度θ,基于最小拍摄数量和图像覆盖角度,即可得到各拍摄角度。
第二阶段,角度编码器实时测量布面的旋转角度,并将旋转角度传输至信号控制器,信号控制器在检测到当前的旋转角度为各拍摄角度中的任一角度的情况下,触发工业相机拍照,一个旋转周期共拍摄n+1张表面图像。
第三阶段,计算主机基于各拍摄角度下的表面图像,对布面进行缺陷检测,这里可以分为两种方法进行检测:
方法一:
计算主机包括第一缺陷检测子单元122,第一缺陷检测子单元122可以包括第一图像处理器、第一编码器、聚类器以及判别器,其中聚类器即为上述实施例中的聚类子单元1221,判别器即为上述实施例中的第一检测子单元1222。第一图像处理器对每个拍摄角度下的表面图像进行归一化处理,处理后的图像输入至第一编码器,通过第一编码器提取图像特征,后续步骤分为注册阶段和检测阶段。
注册阶段,聚类器根据多个旋转周期各拍摄角度下采集的样本图像对应生成的图像特征进行聚类,获得各拍摄角度下的特征中心点;检测阶段,判别器计算每个拍摄角度下的表面图像的图像特征与对应拍摄角度下的特征中心点之间的距离,如果距离大于预设阈值,则可以确定该拍摄角度下的表面图像存在缺陷。
需要说明的是,本发明实施例的第一编码器采用自编码器的结构,可以对其进行迭代训练,通过前向传播得到输出的重建图像,利用重建图像与输入图像之间的偏差计算损失函数以及梯度,进行反馈训练,迭代至模型收敛。
前向测试:对于每一台纺织圆盘机,只需要在初始使用时进行第一阶段的拍摄角度设定,得到拍摄角度集合;第二阶段根据各拍摄角度以及角度编码器的输入信号,触发工业相机捕获各拍摄角度的表面图像;第三阶段先对表面图像进行归一化处理,将处理后的图像输入第一编码器,得到图像特征,注册阶段先对任务机台进行注册,根据多个旋转周期各拍摄角度下采集的样本图像对应生成的图像特征进行聚类,获得各拍摄角度下的特征中心点;检测阶段判别器基于每个拍摄角度的表面图像提取的图像特征和该拍摄角度对应的特征中心点计算欧式距离,根据预设阈值判断是否存在缺陷。
方法二:
计算主机包括第二缺陷检测单元123,第二缺陷检测单元123可以包括第二图像处理器、第二编码器和定位识别器,其中第二图像处理器即为上述实施例中的拼接子单元1231,第二编码器和定位识别器即为上述实施例中的第二检测子单元1232。
在采集得到单个旋转周期内各拍摄角度下的表面图像后,第二图像处理器可以对最后一张表面图像进行裁剪,并将裁剪后的表面图像与其他表面图像进行横向拼接,得到全景图像,最后图像处理器对拼接后的全景图像进行归一化处理。将处理后的全景图像输入至第二编码器,通过第二编码器提取图像特征,之后提取到的图像特征经由定位识别器进行目标检测,并输出布面存在缺陷的位置信息及缺陷类别。
需要说明的是,本发明实施例中的图像特征提取和目标检测的迭代训练的损失函数由回归位置均方误差损失叠加分类交叉熵损失组成,通过前向传播得到输出后根据组合损失函数计算梯度,进行反馈训练,迭代至模型收敛。
前向测试:对于每一台纺织圆盘机,只需要在初始使用时进行第一阶段的拍摄角度设定,得到拍摄角度集合;第二阶段根据各拍摄角度以及角度编码器的输入信号,触发工业相机捕获各拍摄角度的表面图像并进行裁剪、拼接、归一化等处理;第三阶段通过训练好的基于深度学习的第二编码器和定位识别器检测当前布面可能存在的缺陷。整体方案普适性强,不依赖特定转速,使用时能够根据实际场景需要输出缺陷检测识别结果,并提供当前纺织圆盘机内部视角重建的全景图像,整体结果更加直观。
基于上述任一实施例,图7是本发明提供的缺陷检测方法的流程示意图,如图7所示,该方法包括:
步骤710,获取角度测量装置测量的待检测物体的旋转角度;
步骤720,在所述旋转角度为所述待检测物体在单个旋转周期内的各拍摄角度中的任一角度的情况下,控制图像采集装置进行图像采集;
步骤730,获取所述图像采集装置采集得到的所述待检测物体在所述各拍摄角度下的表面图像;
步骤740,基于所述各拍摄角度下的表面图像的图像特征,以及所述各拍摄角度下的特征中心点,对所述待检测物体进行缺陷检测,所述特征中心点基于多个旋转周期在一个拍摄角度下采集的样本图像的图像特征确定;或者,将所述各拍摄角度下的表面图像拼接为全景图像,并基于所述全景图像对所述待检测物体进行缺陷检测。
本发明实施例提供的缺陷检测方法,通过预先确定待检测物体在单个旋转周期内的各拍摄角度,并利用角度测量装置对待检测物体的旋转角度进行测量,从而可以在待检测物体旋转至各拍摄角度中的任一角度的情况下,对待检测物体的表面图像进行采集,以实现基于各拍摄角度下的表面图像,对待检测物体进行缺陷检测,由此可以自动识别待检测物体表面的状态,准确实时、适用性强,而且可以避免在不同角度架设多个相机引起的额外成本开销以及多相机之间的同步和校准问题,提高检测识别效果。
基于上述任一实施例,步骤740中,所述特征中心点的确定步骤包括:
对所述多个旋转周期在各拍摄角度下采集的样本图像的图像特征进行聚类,得到所述各拍摄角度下的特征中心点;
相应地,步骤740中,所述基于所述各拍摄角度下的表面图像的图像特征,以及所述各拍摄角度下的特征中心点,对所述待检测物体进行缺陷检测,包括:
计算各拍摄角度下的表面图像的图像特征与所述各拍摄角度下的特征中心点之间的特征相似度,并基于所述特征相似度确定所述各拍摄角度下的缺陷检测结果。
基于上述任一实施例,步骤740中,所述将所述各拍摄角度下的表面图像拼接为全景图像,并基于所述全景图像对所述待检测物体进行缺陷检测,包括:
从所述各拍摄角度下的表面图像中确定出首尾相接处的衔接表面图像,裁剪所述衔接表面图像在所述首尾相接处的重叠区域,并将裁剪后的衔接表面图像与其他表面图像进行拼接,得到全景图像;基于所述全景图像进行缺陷检测。
基于上述任一实施例,步骤710之前,所述方法还包括:
基于所述待检测物体与所述图像采集装置之间的距离、所述图像采集装置的装置参数以及所述待检测物体的尺寸,确定所述单个旋转周期内的最小拍摄数量以及图像覆盖角度,并基于所述最小拍摄数量和所述图像覆盖角度,得到所述各拍摄角度。
图8示例了一种电子设备的实体结构示意图,如图8所示,该电子设备可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行缺陷检测方法,该方法包括:获取角度测量装置测量的待检测物体的旋转角度;在所述旋转角度为待检测物体在单个旋转周期内的各拍摄角度中的任一角度的情况下,控制图像采集装置进行图像采集;获取所述图像采集装置采集得到的所述待检测物体在所述各拍摄角度下的表面图像;基于所述各拍摄角度下的表面图像的图像特征,以及所述各拍摄角度下的特征中心点,对所述待检测物体进行缺陷检测,所述特征中心点基于多个旋转周期在一个拍摄角度下采集的样本图像的图像特征确定;或者,将所述各拍摄角度下的表面图像拼接为全景图像,并基于所述全景图像对所述待检测物体进行缺陷检测。
此外,上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的缺陷检测方法,该方法包括:获取角度测量装置测量的待检测物体的旋转角度;在所述旋转角度为所述待检测物体在单个旋转周期内的各拍摄角度中的任一角度的情况下,控制图像采集装置进行图像采集;获取所述图像采集装置采集得到的所述待检测物体在所述各拍摄角度下的表面图像;基于所述各拍摄角度下的表面图像的图像特征,以及所述各拍摄角度下的特征中心点,对所述待检测物体进行缺陷检测,所述特征中心点基于多个旋转周期在一个拍摄角度下采集的样本图像的图像特征确定;或者,将所述各拍摄角度下的表面图像拼接为全景图像,并基于所述全景图像对所述待检测物体进行缺陷检测。
又一方面,本发明还提供一种非暂态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以执行上述各方法提供的缺陷检测方法,该方法包括:获取角度测量装置测量的待检测物体的旋转角度;在所述旋转角度为所述待检测物体在单个旋转周期内的各拍摄角度中的任一角度的情况下,控制图像采集装置进行图像采集;获取所述图像采集装置采集得到的所述待检测物体在所述各拍摄角度下的表面图像;基于所述各拍摄角度下的表面图像的图像特征,以及所述各拍摄角度下的特征中心点,对所述待检测物体进行缺陷检测,所述特征中心点基于多个旋转周期在一个拍摄角度下采集的样本图像的图像特征确定;或者,将所述各拍摄角度下的表面图像拼接为全景图像,并基于所述全景图像对所述待检测物体进行缺陷检测。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种缺陷检测系统,其特征在于,包括角度测量装置、处理器和图像采集装置;
所述角度测量装置用于测量待检测物体的旋转角度,并将所述旋转角度传输至所述处理器;
所述处理器用于确定待检测物体在单个旋转周期内的各拍摄角度,并在所述旋转角度为所述各拍摄角度中的任一角度的情况下,控制所述图像采集装置进行图像采集;
所述图像采集装置用于采集所述待检测物体在所述各拍摄角度下的表面图像,并将所述各拍摄角度下的表面图像传输至所述处理器;
所述处理器还用于基于所述各拍摄角度下的表面图像,对所述待检测物体进行缺陷检测。
2.根据权利要求1所述的缺陷检测系统,其特征在于,所述处理器包括:
第一缺陷检测单元,用于基于所述各拍摄角度下的表面图像的图像特征,以及所述各拍摄角度下的特征中心点,对所述各拍摄角度下的表面图像进行缺陷检测;
所述特征中心点基于多个旋转周期在一个拍摄角度下采集的样本图像的图像特征确定。
3.根据权利要求2所述的缺陷检测系统,其特征在于,所述第一缺陷检测单元包括:
聚类子单元,用于对所述多个旋转周期在各拍摄角度下采集的样本图像的图像特征进行聚类,得到所述各拍摄角度下的特征中心点;
第一检测子单元,用于计算各拍摄角度下的表面图像的图像特征与所述各拍摄角度下的特征中心点之间的特征相似度,并基于所述特征相似度确定所述各拍摄角度下的缺陷检测结果。
4.根据权利要求1所述的缺陷检测系统,其特征在于,所述处理器包括:
第二缺陷检测单元,用于将所述各拍摄角度下的表面图像拼接为全景图像,并基于所述全景图像进行缺陷检测。
5.根据权利要求4所述的缺陷检测系统,其特征在于,所述第二缺陷检测单元包括:
拼接子单元,用于从所述各拍摄角度下的表面图像中确定出首尾相接处的衔接表面图像,裁剪所述衔接表面图像在所述首尾相接处的重叠区域,并将裁剪后的衔接表面图像与其他表面图像进行拼接,得到全景图像;
第二检测子单元,用于基于所述全景图像进行缺陷检测。
6.根据权利要求1至5中任一项所述的缺陷检测系统,其特征在于,所述处理器还包括:
角度计算单元,用于基于所述待检测物体与所述图像采集装置之间的距离、所述图像采集装置的装置参数以及所述待检测物体的尺寸,确定所述单个旋转周期内的最小拍摄数量以及图像覆盖角度,并基于所述最小拍摄数量和所述图像覆盖角度,得到所述各拍摄角度。
7.根据权利要求1至5中任一项所述的缺陷检测系统,其特征在于,所述待检测物体为设置在纺织圆盘机内部的布面,所述角度检测装置设置在所述纺织圆盘机的中心转轴处。
8.一种缺陷检测方法,其特征在于,包括:
获取角度测量装置测量的待检测物体的旋转角度;
在所述旋转角度为所述待检测物体在单个旋转周期内的各拍摄角度中的任一角度的情况下,控制图像采集装置进行图像采集;
获取所述图像采集装置采集得到的所述待检测物体在所述各拍摄角度下的表面图像;
基于所述各拍摄角度下的表面图像的图像特征,以及所述各拍摄角度下的特征中心点,对所述待检测物体进行缺陷检测,所述特征中心点基于多个旋转周期在一个拍摄角度下采集的样本图像的图像特征确定;或者,将所述各拍摄角度下的表面图像拼接为全景图像,并基于所述全景图像对所述待检测物体进行缺陷检测。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求8所述缺陷检测方法。
10.一种非暂态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如权利要求8所述缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311132386.7A CN117309759A (zh) | 2023-09-04 | 2023-09-04 | 缺陷检测系统、方法、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311132386.7A CN117309759A (zh) | 2023-09-04 | 2023-09-04 | 缺陷检测系统、方法、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117309759A true CN117309759A (zh) | 2023-12-29 |
Family
ID=89254371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311132386.7A Pending CN117309759A (zh) | 2023-09-04 | 2023-09-04 | 缺陷检测系统、方法、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117309759A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117853489A (zh) * | 2024-03-07 | 2024-04-09 | 北京阿迈特医疗器械有限公司 | 植、介入性管状器械的内壁质量检测方法及装置 |
-
2023
- 2023-09-04 CN CN202311132386.7A patent/CN117309759A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117853489A (zh) * | 2024-03-07 | 2024-04-09 | 北京阿迈特医疗器械有限公司 | 植、介入性管状器械的内壁质量检测方法及装置 |
CN117853489B (zh) * | 2024-03-07 | 2024-05-28 | 北京阿迈特医疗器械有限公司 | 植、介入性管状器械的内壁质量检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3717685B1 (en) | Methods and systems for triggered on-loom fabric inspection | |
KR102322546B1 (ko) | 봉제 스티칭 불량 검출 방법 및 시스템 | |
JP6150248B2 (ja) | 布地の欠陥検査方法と装置 | |
CN117309759A (zh) | 缺陷检测系统、方法、电子设备和存储介质 | |
CN107895362B (zh) | 一种微型接线端子质量检测的机器视觉方法 | |
CN106918600A (zh) | 一种基于机器视觉的面料表面缺陷检测和标记方法 | |
US20150003675A1 (en) | Image processing apparatus and method | |
JP2018087063A (ja) | エレベータロープ監視装置及びエレベータロープ監視方法 | |
JP2008502916A (ja) | マシンビジョン検出器の設定および試験の方法と装置 | |
JP5446849B2 (ja) | ワイヤーロープ検査装置 | |
CN113516612B (zh) | 数据处理方法、装置、设备和存储介质 | |
KR102470422B1 (ko) | 합성곱 신경망 특징맵 기반 봉제 스티치 불량 자동 검출 방법 및 시스템 | |
CN105844282B (zh) | 一种运用线扫描相机检测喷油嘴O-Ring缺陷的方法 | |
JP2022529097A (ja) | 製織の間における布の欠陥のリアルタイム同定のための装置及びその方法 | |
CN108364306B (zh) | 一种高速周期运动的视觉实时检测方法 | |
CN111812108A (zh) | 用于圆型针织机的图像采集装置和织物缺陷实时检测系统 | |
JP2021021670A (ja) | 外観検査装置 | |
CN113189005B (zh) | 便携式表面缺陷一体化检测装置及表面缺陷自动检测方法 | |
CN108133479B (zh) | 一种自动纺纱机穿经监测方法及装置 | |
CN110672209A (zh) | 一种经编布匹色差在线检测方法 | |
JP2555022B2 (ja) | 検反機の欠点検出方法 | |
CN212410464U (zh) | 一种用于圆型针织机的图像采集装置和圆型针织机 | |
CN115508282A (zh) | 一种在线智能验布检测系统 | |
KR20160077308A (ko) | 밑실 잔량 검사 시스템 및 방법 | |
CN111612788B (zh) | 一种缺陷识别方法、装置和电子设备 |
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 |