CN117314924B - 基于图像特征的电镀产品表面瑕疵检测方法 - Google Patents
基于图像特征的电镀产品表面瑕疵检测方法 Download PDFInfo
- Publication number
- CN117314924B CN117314924B CN202311618374.5A CN202311618374A CN117314924B CN 117314924 B CN117314924 B CN 117314924B CN 202311618374 A CN202311618374 A CN 202311618374A CN 117314924 B CN117314924 B CN 117314924B
- Authority
- CN
- China
- Prior art keywords
- pixel points
- image
- connected domain
- value
- gradient
- 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 abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 57
- 230000011218 segmentation Effects 0.000 claims abstract description 51
- 238000009713 electroplating Methods 0.000 claims abstract description 36
- 238000010606 normalization Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 238000003709 image segmentation Methods 0.000 abstract description 2
- 230000007547 defect Effects 0.000 description 8
- 238000005286 illumination Methods 0.000 description 6
- 238000007747 plating Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003672 processing method 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30152—Solder
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及基于图像特征的电镀产品表面瑕疵检测方法,包括:根据不同大小灰度值的像素点的数量获得加权阈值;利用加权阈值对电镀表面图像进行分割,根据二值图像中连通域内像素点的灰度值和边缘像素点的曲率,获得连通域的区域权值;将连通域的边缘像素点的梯度方向与灯光的照射方向的差异、区域权值以及连通域的边缘像素点的梯度值进行融合,获得总体平均梯度值,利用不同加权阈值下对应总体平均梯度值的差异进行电镀产品表面瑕疵检测。本发明提高了分割结果的准确性,更大程度上避免了图像欠分割的问题,提高了对电镀产品瑕疵检测过程中的图像分割效果,进一步提高了瑕疵检测的准确性和检出率。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及基于图像特征的电镀产品表面瑕疵检测方法。
背景技术
在电镀生产过程中,因工艺不精、操作不当等原因容易导致表面出现瑕疵,影响产品外观与性能,其中镀层表面的气泡就是常见的一种瑕疵,它通常是由于电镀过程中产生的气体聚集或电镀层未覆盖到的表面区域所致,目前通常使用图像处理的方法进行无接触瑕疵检测。
在瑕疵检测过程中,通常使用迭代阈值分割算法,但对于电镀产品表面的气泡瑕疵而言,产品表面存在气泡缺陷时,会出现许多近似圆形的像素突变区域,但气泡区域中像素点的灰度值变化复杂,并且电镀表面图像中往往存在电镀层反光而对瑕疵检测产生干扰,因此利用常规的迭代阈值分割算法无法有效分割出完整的瑕疵区域,使得最终分割效果无法达到检测的目的,导致电镀产品表面瑕疵的检测准确性和检出率低。
发明内容
本发明提供基于图像特征的电镀产品表面瑕疵检测方法,以解决现有的问题。
本发明的基于图像特征的电镀产品表面瑕疵检测方法采用如下技术方案:
本发明一个实施例提供了基于图像特征的电镀产品表面瑕疵检测方法,该方法包括以下步骤:
获取电镀表面图像以及灯光的照射方向;
根据在任意阈值下电镀表面图像内不同大小灰度值的像素点的数量获得加权阈值;
利用加权阈值对电镀表面图像进行分割获得二值图像,获取二值图像中的连通域以及连通域的边缘像素点,根据任意加权阈值下对应二值图像中,连通域内像素点的灰度值分布特征和边缘像素点的曲率获得连通域的区域权值;将连通域的边缘像素点的梯度方向与灯光的照射方向的差异、区域权值以及连通域的边缘像素点的梯度值进行融合,获得二值图像的总体平均梯度值,所述二值图像的总体平均梯度值用于描述二值图像中连通域属于气泡瑕疵的明亮区域的可能性;
利用不同加权阈值下对应总体平均梯度值的差异进行电镀产品表面瑕疵检测。
进一步的,所述电镀表面图像的具体获取方法为:
首先,在电镀生产线上方布置好工业相机,利用工业相机拍摄电镀产品表面的图像,记为第一图像,对第一图像进行灰度化处理,将灰度化后的第一图像记为第二图像;
然后,利用语义分割神经网络获取第二图像中的电镀区域,将电镀区域对应的图像记为电镀表面图像。
进一步的,所述根据在任意阈值下电镀表面图像内不同大小灰度值的像素点的数量获得加权阈值,包括的具体方法为:
首先,将电镀表面图像中最大灰度值和最小灰度值的平均值作为迭代阈值分割算法的初始阈值;
然后,利用初始阈值对电镀表面图像进行分割,将灰度值小于初始阈值的像素点记为第一像素点,将灰度值大于初始阈值的像素点记为第二像素点;将电镀表面图像中所有灰度值平均划分为组,将一组作为一个灰度级,获得/>个灰度级,预设任意灰度级的权重参数/>,其中/>表示灰度级的序数;
最后,根据权重参数和第一像素点和第二像素点的灰度值获得加权阈值。
进一步的,所述根据权重参数和第一像素点和第二像素点的灰度值获得加权阈值,包括的具体方法为:
首先,加权阈值的具体获取方法为:
其中,表示加权阈值;/>表示第/>个第一像素点的灰度值;/>表示第/>个第二像素点的灰度值;/>表示第/>个第一像素点所在灰度级的权重参数;/>表示第/>个第二像素点所在灰度级的权重参数;/>表示第一像素点的数量;/>表示第二像素点的数量;
然后,利用迭代阈值分割算法,从初始阈值开始迭代,并结合加权阈值的获取方法得到若干个加权阈值。
进一步的,所述根据任意加权阈值下对应二值图像中,连通域内像素点的灰度值分布特征和边缘像素点的曲率获得连通域的区域权值,包括的具体方法为:
首先,获取任意加权阈值对应二值图像中连通域的边缘像素点;
然后,对于任意连通域,根据连通域内边缘像素点的曲率获得连通域的边缘曲率;
最后,将连通域的边缘曲率与连通域内所有像素点的灰度值的方差的比值,记为连通域的第一数值,将所有连通域的第一数值进行线性归一化获得连通域的区域权值。
进一步的,所述根据连通域内边缘像素点的曲率获得连通域的边缘曲率,包括的具体方法为:
获取任意边缘像素点的曲率,将连通域的所有边缘像素点的平均曲率记为连通域的边缘曲率。
进一步的,所述将连通域的边缘像素点的梯度方向与灯光的照射方向的差异、区域权值以及连通域的边缘像素点的梯度值进行融合,获得二值图像的总体平均梯度值,包括的具体方法为:
首先,利用Sobel算子获取二值图像中所有边缘像素点的梯度值和梯度方向;
然后,获取任意加权阈值下对应二值图像的总体平均梯度值,具体获取方法为:
其中,表示二值图像的总体平均梯度值;/>表示二值图像中连通域的数量;/>表示二值图像中第/>个连通域的平均梯度;/>表示二值图像中第/>个连通域的区域权值;/>表示二值图像中第/>个连通域的梯度权值。
进一步的,所述连通域的平均梯度的具体获取方法为:
将任意连通域的所有边缘像素点的梯度值平均值记为对应连通域的平均梯度。
进一步的,所述梯度权值的具体获取方法为:
首先,将任意连通域中所有边缘像素点的梯度方向的众数,记为连通域的梯度方向参数;
然后,梯度权值的具体计算方法为:
其中,表示二值图像中第/>个连通域的梯度方向参数;/>表示灯光的照射方向;表示线性归一化函数;/>表示绝对值函数。
进一步的,所述利用不同加权阈值下对应总体平均梯度值的差异进行电镀产品表面瑕疵检测,包括的具体方法为:
首先,在利用迭代阈值分割算法,从初始阈值开始迭代获得若干个加权阈值的过程中,将对应迭代次数记为;
然后,当或/>时,迭代阈值分割算法停止迭代,其中/>表示第/>次迭代得到的加权阈值下对应二值图像的总体平均梯度值,/>表示第/>次迭代得到的加权阈值下对应二值图像的总体平均梯度值,/>和/>分别为预设的超参数;当迭代阈值分割算法是由于/>而停止迭代时,将第/>次迭代得到的加权阈值作为电镀表面图像的最优分割阈值;当迭代阈值分割算法是由于/>而停止迭代时,将最后一次迭代得到的加权阈值作为电镀表面图像的最优分割阈值;
最后,利用最优分割阈值对电镀表面图像进行阈值分割,得到分割出的背景区域和前景区域,所述前景区域即为气泡中的明亮区域;利用Canny边缘检测算法获取电镀表面图像中除前景区域的边缘像素点以外的边缘像素点,记为第一像素点,将与任意前景区域的边缘像素点相邻且连续的第一像素点记为第二像素点,将第二像素点与任意前景区域的边缘像素点形成的闭合区域记为气泡区域,将电镀表面图像中的所有气泡区域标注为气泡瑕疵。
本发明的技术方案的有益效果是:将在对电镀表面图像进行分割后不同大小的灰度值下像素点的数量纳入考虑,通过对阈值进行加权,减少了阈值迭代过程中的误差,根据总体平均梯度值的差异进行瑕疵检测,能够避免迭代次数过多,导致计算复杂的问题,利用反映二值图像中连通域属于气泡瑕疵的明亮区域的可能性的总体平均梯度值进行瑕疵检测,提高了分割结果的准确性,更大程度上避免了图像欠分割的问题,提高了对电镀产品瑕疵检测过程中的图像分割效果,提高了瑕疵检测的准确性和检出率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于图像特征的电镀产品表面瑕疵检测方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于图像特征的电镀产品表面瑕疵检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于图像特征的电镀产品表面瑕疵检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于图像特征的电镀产品表面瑕疵检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取电镀表面图像以及灯光的照射方向。
需要说明的是,由于迭代阈值分割算法中,图像中的每个像素点的灰度值都会影响最终的分割阈值,并且灰度值过大或过小的噪声点还可能影响初始分割阈值的确定。因此,为了使得到的分割阈值更加真实准确,需要对图像进行平滑处理,以减小图像中的噪声点对分割结果的影响。可以利用高斯滤波器对图像进行平滑:首先计算出图像的高斯滤波器,将滤波器与图像中的对应像素及其周围像素进行卷积运算,之后对边界像素采取边界处理,得到平滑后的主机电源外观图像。
具体的,为了实现本实施例提出的基于图像特征的电镀产品表面瑕疵检测方法,首先需要采集电镀表面图像,具体过程为:
首先,在电镀生产线上方布置好工业相机和灯光,获取灯光的照射方向,并利用工业相机拍摄电镀产品表面的图像,记为第一图像,对第一图像进行灰度化处理,将灰度化后的第一图像记为第二图像。
然后,利用语义分割神经网络获取第二图像中的电镀区域,将电镀区域对应的图像记为电镀表面图像。
至此,通过上述方法得到电镀表面图像。
步骤S002:根据任意阈值下不同大小灰度值的像素点数量获得加权阈值。
需要说明的是,在电镀的过程中,产品表面可能因为存在气泡,使产品表面的部分区域膨胀凸起,形成数个近似圆形的鼓包,在对产品表面进行图像采集时,这些凸起的部分会因光照产生明暗区域,正对光线的部分在图像中会表现出很高的像素灰度值,而背对光线的部分会表现出很低的像素灰度值,这个特征使得分割图像时仅使用二值分割法无法完整获取的电镀表面图像中的缺陷瑕疵,因此可以先分割出气泡中的明亮区域,再通过后处理将气泡中的明亮区域和阴影区域进行边缘连接,就能获得完整的缺陷区域。
另外,由于电镀表面气泡的明亮区域与其它部分之间在电镀表面图像中的灰度值差异并不大,因此利用常规的迭代阈值分割算法对电镀表面图像进行阈值分割很难分割出完整的气泡明亮区域。针对上述问题,可以利用气泡内部明暗区域像素灰度差异大的特点,将迭代阈值分割算法在迭代获取类间方差时,对应的迭代终止条件修改为依据边缘像素点的梯度平均值差值来获取,避免迭代阈值分割算法在阈值更新过程中因误差累积而导致迭代过早停止的情况,提升阈值分割的准确性。
需要说明的是,迭代阈值分割算法为现有的阈值分割算法,因此本实施例不进行赘述。
具体的,步骤(1),首先,将电镀表面图像中最大灰度值和最小灰度值的平均值作为迭代阈值分割算法的初始阈值。
需要说明的是,在电镀产品表面图像中,既存在像素灰度值较高的高亮区域,也存在像素灰度值较低的阴影区域,且这两类区域的像素数量差异并不大,因此本实施例需要将算法中的迭代终止条件的判定量修改为目标区域边缘像素的梯度平均值差值,这就可能导致阈值在迭代过程中始终在局部最优阈值附近波动,达不到停止更新的终止条件。因此,需要根据图像中像素的灰度特点,对阈值更新公式中的不同像素灰度值赋予不同的权值,令阈值能更快地向相对准确的方向移动,避免阈值收敛陷入死循环的情况。
然后,利用初始阈值对电镀表面图像进行分割,将灰度值小于初始阈值的像素点记为第一像素点,将灰度值大于初始阈值的像素点记为第二像素点;将电镀表面图像中所有灰度值平均划分为组,获得/>个灰度级,预设任意灰度级的权重参数/>,其中/>表示灰度级的序数。
最后,加权阈值的具体获取方法为:
其中,表示加权阈值;/>表示第/>个第一像素点的灰度值;/>表示第/>个第二像素点的灰度值;/>表示第/>个第一像素点所在灰度级的权重参数;/>表示第/>个第二像素点所在灰度级的权重参数;/>表示第一像素点的数量;/>表示第二像素点的数量。
需要说明的是,通过对迭代阈值分割算法的阈值进行加权,提高在利用迭代分割算法在电镀表面进行阈值分割时,灰度值高于分割阈值的像素点对迭代阈值分割算法的影响程度,以使加权方式可以令灰度值较高的像素在阈值更新时占的比重更大,有利于提升电镀表面的亮区域。
步骤(2),利用迭代阈值分割算法,从初始阈值开始迭代,并结合加权阈值的获取方法得到若干个加权阈值。
至此,通过上述方法得到加权阈值。
步骤S003:根据任意加权阈值下对应二值图像中连通域内像素点的灰度值分布特征和边缘像素点的曲率获得连通域的区域权值,将连通域的边缘像素点的梯度方向与灯光的照射方向的差异、区域权值以及连通域的边缘像素点的梯度值进行融合,获得二值图像的总体平均梯度值。
需要说明的是,在带有气泡缺陷的电镀产品表面图像中,气泡的明亮区域与阴影区域中像素点的灰度值差异较大,而与气泡外其它明亮区域中像素点的灰度值差异较小,因此使用常规的迭代阈值分割算法的分割阈值容易将气泡外的明亮区域也误分割为气泡的明亮区域。但由于电镀产品表面的镀层通常是光滑平坦的,因此其表面的光照强度会顺着一定方向慢慢减弱,即气泡外的明亮区域不会有明显的区域分界线,相应的区域边缘像素的梯度值也并不高,而气泡内的明亮区域会有明显的区域分界线,且与气泡内的阴影区域相连,因此它的边缘像素梯度值会很高。不仅如此,虽然产品表面各处的光照强度并不均匀,但光照方向一致,所以每个气泡的明亮区域和阴影区域的位置是相对固定的。这一特点在图像中则会体现为所有气泡明暗交界处的像素梯度方向基本一致,且与光照方向相反。
具体的,步骤(1),首先,任意加权阈值对电镀表面图像处理后,获得对应的二值图像,获取二值图像中若干个连通域以及连通域的边缘像素点,获取任意边缘像素点的曲率,将任意连通域的所有边缘像素点的平均曲率记为连通域的边缘曲率。
然后,获取任意连通域的区域权值,具体计算方法为:
其中,表示连通域的区域权值;/>表示连通域的边缘曲率;/>为表示连通域内所有像素点在电镀表面图像中的灰度值的方差;/>表示线性归一化函数。
需要说明的是,由于气泡在图像中的形状多为圆形或椭圆形,因此气泡中明亮区域的形状通常会呈现出半圆形,即由一条直线和一条圆弧组成,而气泡外因反光而形成的明亮区域则没有这种特征。可以利用这个特性,计算所有小区域的边缘像素点的曲率,平均曲率越大的区域越可能为气泡的明亮区域,则相应的权值就越大,平均曲率越小的区域越可能为气泡外的明亮区域,相应的权值就越小。
此外,因为气泡的形成会导致镀层表面凸起,气泡的不同方向上的光照强度之间存在较大差异,所以气泡的明暗区域的分界线很明显,明亮区域内像素点的灰度值分布比较均匀,而电镀表面上非气泡的区域部分较为平坦,因此这部分的明暗分界线并不明显,相应的其明亮区域内的像素点的灰度值分布也会更加分散。
因此本实施例利用连通域中所有像素灰度值的方差反映连通域内像素点的灰度值分布离散程度,方差越小说明连通域内像素点的灰度值分布越集中,该连通域为气泡中明亮区域的可能性越大,则相应的区域权值就越大,反之则减小其区域权值。
步骤(2),首先,利用Sobel算子获取二值图像中所有边缘像素点的梯度值和梯度方向,将任意连通域的所有边缘像素点的梯度值平均值记为对应连通域的平均梯度,将任意连通域中所有边缘像素点的梯度方向的众数,记为连通域的梯度方向参数。
然后,获取任意加权阈值下对应二值图像的总体平均梯度值,具体获取方法为:
其中,表示二值图像的总体平均梯度值;/>表示二值图像中连通域的数量;/>表示二值图像中第/>个连通域的平均梯度;/>表示二值图像中第/>个连通域的区域权值;/>表示二值图像中第/>个连通域的梯度方向参数;/>表示灯光的照射方向;/>表示线性归一化函数;/>表示绝对值函数。
需要说明的是,所述二值图像的总体平均梯度值用于描述二值图像中连通域属于气泡瑕疵的明亮区域的可能性,当方向差异接近/>时,说明连通域的边缘像素点的梯度方向与灯光的照射方向相反,则该连通域为气泡缺陷的明亮区域的可能性较大,对该连通域的边缘像素点的平均梯度值的调节幅度就较小,反之调节幅度就较大。
需要说明的是,本实施例通过对迭代阈值分割算法的迭代终止条件进行优化,在每次更新阈值得到加权阈值后,对图像进行阈值分割得到对应加权阈值的二值图像,二值图像中会存在出多个分散的连通域,通过获取每个连通域的边缘像素点的平均梯度值,并根据连通域的形状、灰度分布及边缘像素点的梯度对梯度值进行加权修正,获取连通域内所有边缘像素点的总体平均梯度值,根据相邻加权阈值对应总体平均梯度值之间的差异获取电镀表面图像的最优分割阈值,即可以获得最优分割效果的加权阈值。
至此,通过上述方法得到任意加权阈值下对应二值图像的总体平均梯度值。
步骤S004:利用不同加权阈值下对应总体平均梯度值的差异进行电镀产品表面瑕疵检测。
具体的,首先,在利用迭代阈值分割算法,从初始阈值开始迭代获得若干个加权阈值的过程中,将对应迭代次数记为。
然后,当或/>时,迭代阈值分割算法停止迭代,其中/>表示第/>次迭代得到的加权阈值下对应二值图像的总体平均梯度值,/>表示第/>次迭代得到的加权阈值下对应二值图像的总体平均梯度值,/>和/>分别为预设的超参数;当迭代阈值分割算法是由于/>而停止迭代时,将第/>次迭代得到的加权阈值作为电镀表面图像的最优分割阈值;当迭代阈值分割算法是由于/>而停止迭代时,将最后一次迭代得到的加权阈值作为电镀表面图像的最优分割阈值。
需要说明的是,根据经验预设和/>分别为100和10,可根据实际情况进行调整,本实施例不进行具体限定。
需要说明的是,由于获取二值图像的总体平均梯度值是在假设电镀产品表面有气泡瑕疵的情况下进行的,若产品表面不存在气泡瑕疵,根据总体平均梯度值的差值的大小作为迭代阈值分割算法的终止条件,可能会存在迭代无法停止的情况,因此在上述终止条件的基础上,再增加一个迭代次数上限作为限制,避免迭代阈值分割算法陷入死循环的情况。
最后,利用最优分割阈值对电镀表面图像进行阈值分割,得到分割出的背景区域和前景区域,所述前景区域即为气泡中的明亮区域;利用Canny边缘检测算法获取电镀表面图像中除前景区域的边缘像素点以外的边缘像素点,记为第一像素点,将与任意前景区域的边缘像素点相邻且连续的第一像素点记为第二像素点,将第二像素点与任意前景区域的边缘像素点形成的闭合区域记为气泡区域,将电镀表面图像中的所有气泡区域标注为气泡瑕疵。
需要说明的是,Canny边缘检测算法为现有的边缘检测算法,因此本实施例不进行赘述。
需要说明的是,由于同一气泡中的明亮区域与阴影区域的边缘相互连接并且可形成一个完整的圆形,因此同一气泡中的明亮区域与阴影区域的边缘像素点是紧密连接的,本实施例将与气泡明亮区域的边缘像素点相连的其他边缘像素连接起来形成闭合区域,所述闭区域即为气泡瑕疵对应的区域。
至此,本实施例完成。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,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 (7)
1.基于图像特征的电镀产品表面瑕疵检测方法,其特征在于,该方法包括以下步骤:
获取电镀表面图像以及灯光的照射方向;
根据在任意阈值下电镀表面图像内不同大小灰度值的像素点的数量获得加权阈值;
利用加权阈值对电镀表面图像进行分割获得二值图像,获取二值图像中的连通域以及连通域的边缘像素点,根据任意加权阈值下对应二值图像中,连通域内像素点的灰度值分布特征和边缘像素点的曲率获得连通域的区域权值;将连通域的边缘像素点的梯度方向与灯光的照射方向的差异、区域权值以及连通域的边缘像素点的梯度值进行融合,获得二值图像的总体平均梯度值,所述二值图像的总体平均梯度值用于描述二值图像中连通域属于气泡瑕疵的明亮区域的可能性;
利用不同加权阈值下对应总体平均梯度值的差异进行电镀产品表面瑕疵检测;
所述利用不同加权阈值下对应总体平均梯度值的差异进行电镀产品表面瑕疵检测,包括的具体方法为:
首先,在利用迭代阈值分割算法,从初始阈值开始迭代获得若干个加权阈值的过程中,将对应迭代次数记为;
然后,当或/>时,迭代阈值分割算法停止迭代,其中/>表示第/>次迭代得到的加权阈值下对应二值图像的总体平均梯度值,/>表示第/>次迭代得到的加权阈值下对应二值图像的总体平均梯度值,/>和/>分别为预设的超参数;当迭代阈值分割算法是由于/>而停止迭代时,将第/>次迭代得到的加权阈值作为电镀表面图像的最优分割阈值;当迭代阈值分割算法是由于/>而停止迭代时,将最后一次迭代得到的加权阈值作为电镀表面图像的最优分割阈值;
最后,利用最优分割阈值对电镀表面图像进行阈值分割,得到分割出的背景区域和前景区域,所述前景区域即为气泡中的明亮区域;利用Canny边缘检测算法获取电镀表面图像中除前景区域的边缘像素点以外的边缘像素点,记为第一像素点,将与任意前景区域的边缘像素点相邻且连续的第一像素点记为第二像素点,将第二像素点与任意前景区域的边缘像素点形成的闭合区域记为气泡区域,将电镀表面图像中的所有气泡区域标注为气泡瑕疵;
所述根据在任意阈值下电镀表面图像内不同大小灰度值的像素点的数量获得加权阈值,包括的具体方法为:
首先,将电镀表面图像中最大灰度值和最小灰度值的平均值作为迭代阈值分割算法的初始阈值;
然后,利用初始阈值对电镀表面图像进行分割,将灰度值小于初始阈值的像素点记为第一像素点,将灰度值大于初始阈值的像素点记为第二像素点;将电镀表面图像中所有灰度值平均划分为组,将一组作为一个灰度级,获得/>个灰度级,预设任意灰度级的权重参数,其中/>表示灰度级的序数;
最后,根据权重参数和第一像素点和第二像素点的灰度值获得加权阈值;
所述根据权重参数和第一像素点和第二像素点的灰度值获得加权阈值,包括的具体方法为:
首先,加权阈值的具体获取方法为:
其中,表示加权阈值;/>表示第/>个第一像素点的灰度值;/>表示第/>个第二像素点的灰度值;/>表示第/>个第一像素点所在灰度级的权重参数;/>表示第/>个第二像素点所在灰度级的权重参数;/>表示第一像素点的数量;/>表示第二像素点的数量;
然后,利用迭代阈值分割算法,从初始阈值开始迭代,并结合加权阈值的获取方法得到若干个加权阈值。
2.根据权利要求1所述基于图像特征的电镀产品表面瑕疵检测方法,其特征在于,所述电镀表面图像的具体获取方法为:
首先,在电镀生产线上方布置好工业相机,利用工业相机拍摄电镀产品表面的图像,记为第一图像,对第一图像进行灰度化处理,将灰度化后的第一图像记为第二图像;
然后,利用语义分割神经网络获取第二图像中的电镀区域,将电镀区域对应的图像记为电镀表面图像。
3.根据权利要求1所述基于图像特征的电镀产品表面瑕疵检测方法,其特征在于,所述根据任意加权阈值下对应二值图像中,连通域内像素点的灰度值分布特征和边缘像素点的曲率获得连通域的区域权值,包括的具体方法为:
首先,获取任意加权阈值对应二值图像中连通域的边缘像素点;
然后,对于任意连通域,根据连通域内边缘像素点的曲率获得连通域的边缘曲率;
最后,将连通域的边缘曲率与连通域内所有像素点的灰度值的方差的比值,记为连通域的第一数值,将所有连通域的第一数值进行线性归一化获得连通域的区域权值。
4.根据权利要求3所述基于图像特征的电镀产品表面瑕疵检测方法,其特征在于,所述根据连通域内边缘像素点的曲率获得连通域的边缘曲率,包括的具体方法为:
获取任意边缘像素点的曲率,将连通域的所有边缘像素点的平均曲率记为连通域的边缘曲率。
5.根据权利要求1所述基于图像特征的电镀产品表面瑕疵检测方法,其特征在于,所述将连通域的边缘像素点的梯度方向与灯光的照射方向的差异、区域权值以及连通域的边缘像素点的梯度值进行融合,获得二值图像的总体平均梯度值,包括的具体方法为:
首先,利用Sobel算子获取二值图像中所有边缘像素点的梯度值和梯度方向;
然后,获取任意加权阈值下对应二值图像的总体平均梯度值,具体获取方法为:
其中,表示二值图像的总体平均梯度值;/>表示二值图像中连通域的数量;/>表示二值图像中第/>个连通域的平均梯度;/>表示二值图像中第/>个连通域的区域权值;/>表示二值图像中第/>个连通域的梯度权值。
6.根据权利要求5所述基于图像特征的电镀产品表面瑕疵检测方法,其特征在于,所述连通域的平均梯度的具体获取方法为:
将任意连通域的所有边缘像素点的梯度值平均值记为对应连通域的平均梯度。
7.根据权利要求5所述基于图像特征的电镀产品表面瑕疵检测方法,其特征在于,所述梯度权值的具体获取方法为:
首先,将任意连通域中所有边缘像素点的梯度方向的众数,记为连通域的梯度方向参数;
然后,梯度权值的具体计算方法为:
其中,表示二值图像中第/>个连通域的梯度方向参数;/>表示灯光的照射方向;表示线性归一化函数;/>表示绝对值函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311618374.5A CN117314924B (zh) | 2023-11-30 | 2023-11-30 | 基于图像特征的电镀产品表面瑕疵检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311618374.5A CN117314924B (zh) | 2023-11-30 | 2023-11-30 | 基于图像特征的电镀产品表面瑕疵检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117314924A CN117314924A (zh) | 2023-12-29 |
CN117314924B true CN117314924B (zh) | 2024-02-09 |
Family
ID=89255769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311618374.5A Active CN117314924B (zh) | 2023-11-30 | 2023-11-30 | 基于图像特征的电镀产品表面瑕疵检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117314924B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117808812B (zh) * | 2024-03-01 | 2024-05-07 | 深圳市福源晖科技有限公司 | 一种柔性电路板瑕疵检测方法及系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001184510A (ja) * | 1999-12-24 | 2001-07-06 | Mitsubishi Chemicals Corp | 欠陥検出方法 |
US7162073B1 (en) * | 2001-11-30 | 2007-01-09 | Cognex Technology And Investment Corporation | Methods and apparatuses for detecting classifying and measuring spot defects in an image of an object |
JP2019178924A (ja) * | 2018-03-30 | 2019-10-17 | 日鉄日新製鋼株式会社 | 鋼板の表面疵検査方法および表面疵検査装置 |
CN111080582A (zh) * | 2019-12-02 | 2020-04-28 | 易思维(杭州)科技有限公司 | 工件内外表面缺陷检测方法 |
CN112927189A (zh) * | 2021-01-28 | 2021-06-08 | 江苏大学 | 一种电镀工件表面瑕疵视觉检测中边缘反射光斑剔除方法 |
KR20220095100A (ko) * | 2020-12-29 | 2022-07-06 | 크로마 에이티이 인코포레이티드 | 매끄러운 표면을 지닌 측정 대상물의 광학 측정 영상 처리 방법 및 그 측정 시스템 |
CN115018851A (zh) * | 2022-08-10 | 2022-09-06 | 江苏紫琅汽车集团股份有限公司 | 汽车镀锌板镀锌质量控制方法及控制器 |
CN115578374A (zh) * | 2022-11-01 | 2023-01-06 | 江苏南通元辰钢结构制造有限公司 | 一种机械零件铸造质量评估方法与系统 |
CN116309553A (zh) * | 2023-05-12 | 2023-06-23 | 东莞市希锐自动化科技股份有限公司 | 一种非平面电镀五金件电镀缺陷检测方法 |
CN116385445A (zh) * | 2023-06-06 | 2023-07-04 | 东莞市希锐自动化科技股份有限公司 | 一种基于视觉技术的电镀五金件瑕疵检测方法 |
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 |
CN116630309A (zh) * | 2023-07-21 | 2023-08-22 | 微山县天阔纺织有限公司 | 一种布匹断纬瑕疵检测方法 |
CN116843618A (zh) * | 2023-05-19 | 2023-10-03 | 东华大学 | 一种金属零件浅显外观缺陷检测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AR058568A1 (es) * | 2005-12-20 | 2008-02-13 | Bristol Myers Squibb Co | Metodos para producir una composicion con moleculas ctla4-ig a partir de un medio de cultivo |
US10115599B2 (en) * | 2012-09-28 | 2018-10-30 | The Board Of Trustees Of The University Of Illinois | Spectrally and temporally engineered processing using photoelectrochemistry |
DE102014002582B4 (de) * | 2014-02-26 | 2018-10-11 | Heye International Gmbh | Verfahren zur Erkennung von Rissen in den Wandungen von Hohlglasartikeln |
JP7139243B2 (ja) * | 2015-09-16 | 2022-09-20 | サーモ エレクトロン サイエンティフィック インストルメンツ リミテッド ライアビリティ カンパニー | 画像分析システム及び方法 |
CN107133627A (zh) * | 2017-04-01 | 2017-09-05 | 深圳市欢创科技有限公司 | 红外光斑中心点提取方法及装置 |
-
2023
- 2023-11-30 CN CN202311618374.5A patent/CN117314924B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001184510A (ja) * | 1999-12-24 | 2001-07-06 | Mitsubishi Chemicals Corp | 欠陥検出方法 |
US7162073B1 (en) * | 2001-11-30 | 2007-01-09 | Cognex Technology And Investment Corporation | Methods and apparatuses for detecting classifying and measuring spot defects in an image of an object |
JP2019178924A (ja) * | 2018-03-30 | 2019-10-17 | 日鉄日新製鋼株式会社 | 鋼板の表面疵検査方法および表面疵検査装置 |
CN111080582A (zh) * | 2019-12-02 | 2020-04-28 | 易思维(杭州)科技有限公司 | 工件内外表面缺陷检测方法 |
KR20220095100A (ko) * | 2020-12-29 | 2022-07-06 | 크로마 에이티이 인코포레이티드 | 매끄러운 표면을 지닌 측정 대상물의 광학 측정 영상 처리 방법 및 그 측정 시스템 |
CN112927189A (zh) * | 2021-01-28 | 2021-06-08 | 江苏大学 | 一种电镀工件表面瑕疵视觉检测中边缘反射光斑剔除方法 |
CN115018851A (zh) * | 2022-08-10 | 2022-09-06 | 江苏紫琅汽车集团股份有限公司 | 汽车镀锌板镀锌质量控制方法及控制器 |
CN115578374A (zh) * | 2022-11-01 | 2023-01-06 | 江苏南通元辰钢结构制造有限公司 | 一种机械零件铸造质量评估方法与系统 |
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 |
CN116309553A (zh) * | 2023-05-12 | 2023-06-23 | 东莞市希锐自动化科技股份有限公司 | 一种非平面电镀五金件电镀缺陷检测方法 |
CN116843618A (zh) * | 2023-05-19 | 2023-10-03 | 东华大学 | 一种金属零件浅显外观缺陷检测方法 |
CN116385445A (zh) * | 2023-06-06 | 2023-07-04 | 东莞市希锐自动化科技股份有限公司 | 一种基于视觉技术的电镀五金件瑕疵检测方法 |
CN116630309A (zh) * | 2023-07-21 | 2023-08-22 | 微山县天阔纺织有限公司 | 一种布匹断纬瑕疵检测方法 |
Non-Patent Citations (2)
Title |
---|
A Review and Analysis of Automatic Optical Inspection and Quality Monitoring Methods in Electronics Industry;Abd Al Rahman等;《IEEE》;183192 - 183271 * |
图像处理在电镀污水监测中的应用;罗勇;《电镀与环保》;55-57页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117314924A (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117314924B (zh) | 基于图像特征的电镀产品表面瑕疵检测方法 | |
CN115222741A (zh) | 一种电缆表面缺陷检测方法 | |
CN107705314B (zh) | 一种基于灰度分布的多物体图像分割方法 | |
Pernkopf et al. | Visual inspection of machined metallic high-precision surfaces | |
CN115330767B (zh) | 一种腐蚀箔生产异常识别方法 | |
CN116740070B (zh) | 基于机器视觉的塑料管道外观缺陷检测方法 | |
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 | |
CN116091504B (zh) | 基于图像处理的连接管连接头质量检测方法 | |
CN117197140B (zh) | 基于机器视觉的不规则金属扣成型检测方法 | |
CN116109644A (zh) | 用于铜铝转接排的表面缺陷检测方法 | |
CN115018846B (zh) | 基于ai智能相机的多目标裂纹缺陷检测方法和装置 | |
CN115830033A (zh) | 基于机器视觉的汽车轮毂表面缺陷检测方法 | |
CN115187602A (zh) | 基于图像处理的注塑件缺陷检测方法及系统 | |
CN117422712B (zh) | 基于图像滤波处理的塑料母粒视觉检测方法及系统 | |
CN116071355A (zh) | 一种用于外周血管影像的辅助分割系统及方法 | |
CN117557569B (zh) | 一种道路路面施工质量检测方法及系统 | |
CN116152247A (zh) | 一种聚氨酯涂膜的质量评估方法 | |
CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及系统 | |
CN116703251A (zh) | 基于人工智能的胶圈生产质量检测方法 | |
CN110473224B (zh) | 一种基于kl熵的rsf水平集图像自动分割方法 | |
CN111709961A (zh) | 一种被动式太赫兹图像目标的实时分割分类方法 | |
CN117315289B (zh) | 基于图像处理的航空发动机叶片轮廓边缘检测方法 | |
CN117388263B (zh) | 用于充电枪的五金端子质量检测方法 | |
CN111738195A (zh) | 一种虹膜定位方法及计算机可读存储介质 | |
Nagase et al. | Automatic calculation and visualization of nuclear density in whole slide images of hepatic histological sections |
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 |