CN117351008B - 一种智能手机面板表面缺陷检测方法 - Google Patents
一种智能手机面板表面缺陷检测方法 Download PDFInfo
- Publication number
- CN117351008B CN117351008B CN202311640452.1A CN202311640452A CN117351008B CN 117351008 B CN117351008 B CN 117351008B CN 202311640452 A CN202311640452 A CN 202311640452A CN 117351008 B CN117351008 B CN 117351008B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- pixel
- cluster
- combined
- gray
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 71
- 238000001514 detection method Methods 0.000 title abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000007621 cluster analysis Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000002950 deficient Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 abstract description 12
- 230000000694 effects Effects 0.000 abstract description 8
- 238000003709 image segmentation Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 43
- 238000004364 calculation method Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像分割技术领域,具体涉及一种智能手机面板表面缺陷检测方法,该方法根据智能手机面板表面灰度图像中各个像素点的像素坐标和灰度值构建样本空间进行聚类分析,得到待合并像素点聚类簇和归并像素点聚类簇;获取表征每个像素点局部邻域灰度差异的邻域灰度影响程度后,根据待合并像素点与归并像素点聚类簇之间的邻域影响程度差异和灰度差异,以及待合并像素点聚类簇中的灰度整体偏离情况,得到参考距离权重,使得结合参考距离权重和距离所进一步地聚类分析得到的调整像素点聚类簇更加准确,也即得到的缺陷区域更加准确,使得对智能手机面板表面进行缺陷检测的效果更好。
Description
技术领域
本发明涉及图像分割技术领域,具体涉及一种智能手机面板表面缺陷检测方法。
背景技术
在智能手机面板生产过程中,由于外界环境的影响,部分智能手机面板表面可能出现划伤、脏污、坑点等缺陷。通常需要基于图像处理的方法对智能手机面板表面进行缺陷检测。现有技术通常利用迭代自组织聚类算法,根据智能手机面板表面图像上的像素点进行聚类分析,从而根据得到的各个聚类簇中像素点的数量筛选出缺陷区域。
但是由于生产环境因素以及手机面板材质的影响,可能出现部分缺陷边缘与背景的区分度较小,对应的部分属于缺陷边缘模糊区域的像素点对应的灰度值由于与背景区域的灰度值相近且距离相近,使得根据迭代自组织聚类算法的最小距离度量的合并操作,而被不断地被分布到不同的聚类簇中,使得其对应的实际的缺陷类型难以实现区分,也即现有技术基于迭代自组织聚类算法对智能手机面板表面进行缺陷检测的效果较差。
发明内容
为了解决现有技术基于迭代自组织聚类算法对智能手机面板表面进行缺陷检测的效果较差的技术问题,本发明的目的在于提供一种智能手机面板表面缺陷检测方法,所采用的技术方案具体如下:
本发明提出了一种智能手机面板表面缺陷检测方法,所述方法包括:
获取智能手机面板表面灰度图像;
根据智能手机面板表面灰度图像中各个像素点的像素坐标以及灰度值进行聚类分析,得到至少两个初始像素点聚类簇;根据每个像素点的局部邻域灰度差异,得到每个像素点的邻域灰度影响程度;
根据各个初始像素点聚类簇中的像素点数量,将所有初始像素点聚类簇划分为待合并像素点聚类簇和归并像素点聚类簇;将待合并像素点聚类簇中的像素点作为待合并像素点;
根据每个待合并像素点与每个归并像素点聚类簇中的像素点之间的邻域影响程度差异和灰度差异,以及每个待合并像素点与所处待合并像素点聚类簇中所有像素点之间的灰度整体偏离情况,得到每个待合并像素点与每个归并像素点聚类簇之间的参考距离权重;
根据所述参考距离权重,以及每个待合并像素点与每个归并像素点聚类簇的聚类中心之间的距离进行聚类分析,得到至少两个调整像素点聚类簇;根据各个调整像素点聚类簇的像素点数量,分割出智能手机面板表面灰度图像的缺陷区域。
进一步地,所述初始像素点聚类簇的获取方法包括:
在智能手机面板表面灰度图像对应的图像坐标系的基础上,以像素点的灰度值为竖轴,构建空间直角坐标系;在所述空间直角坐标系中,获取每个像素点对应的三维坐标;通过迭代自组织聚类算法根据所有像素点的三维坐标进行初次聚类,得到至少两个初始像素点聚类簇。
进一步地,所述邻域灰度影响程度的获取公式包括:
其中,为所述空间直角坐标系中第/>个像素点的邻域灰度影响程度;/>为所述空间直角坐标系中第/>个像素点的预设邻域范围中的像素点数量;/>为所述空间直角坐标系中第/>个像素点的预设邻域范围中,第/>个像素点与第/>个像素点之间的灰度差异;/>所述空间直角坐标系中第/>个像素点的预设邻域范围中,第/>个像素点的像素坐标与第/>个像素点的像素坐标之间的距离;/>为所述空间直角坐标系中第/>个像素点的预设邻域范围中,第/>个像素点的三维坐标与第/>个像素点的三维坐标之间的距离,/>为归一化函数。
进一步地,所述根据各个初始像素点聚类簇中的像素点数量,将所有初始像素点聚类簇划分为待合并像素点聚类簇和归并像素点聚类簇的方法包括:
将像素点数量小于预设第一数量阈值的初始像素点聚类簇作为待合并像素点聚类簇;将待合并像素点聚类簇外的其他初始像素点聚类簇,作为归并像素点聚类簇。
进一步地,所述参考距离权重的获取方法包括:
将每个待合并像素点的灰度值与其所处待合并像素点聚类簇中所有像素点的灰度值均值之间的差异,作为每个待合并像素点的参考灰度偏差;将所述参考灰度偏差与对应的待合并像素点聚类簇中所有像素点的灰度值均值之间的比值,作为每个待合并像素点的灰度标准偏差值;
根据每个待合并像素点与指向每个归并像素点聚类簇方向上像素点之间的局部灰度差异,得到每个待合并像素点与每个归并像素点聚类簇之间的灰度差异特征值;
根据每个待合并像素点与每个归并像素点聚类簇中像素点之间的局部邻域灰度影响程度,得到每个待合并像素点与每个归并像素点聚类簇之间的邻域影响差异特征值;
根据所述灰度标准偏差值、所述灰度差异特征值和所述邻域影响差异特征值,得到每个待合并像素点与每个归并像素点聚类簇之间的参考距离权重,所述灰度标准偏差值与所述参考距离权重呈正相关关系,所述灰度差异特征值和所述邻域影响差异特征值均与所述参考距离权重呈负相关关系。
进一步地,所述灰度差异特征值的获取方法包括:
依次将每个待合并像素点作为目标待合并像素点;依次将每个归并像素点聚类簇作为目标归并像素点聚类簇;在目标待合并像素点指向目标归并像素点聚类簇的聚类中心方向上,将与目标待合并像素点距离最近的预设第二数量个像素点,作为目标归并像素点聚类簇中的对比归并像素点;将所有对比归并像素点的灰度值均值与所述目标待合并像素点的灰度值之间的差异,作为目标待合并像素点与目标归并像素点聚类簇之间的灰度差异特征值。
进一步地,所述邻域影响差异特征值的获取方法包括:
将所有对比归并像素点的邻域灰度影响程度的均值与所述目标待合并像素点的邻域灰度影响程度之间的差异,作为目标待合并像素点与目标归并像素点聚类簇之间的邻域影响差异特征值。
进一步地,所述根据所述灰度标准偏差值、所述灰度差异特征值和所述邻域影响差异特征值,得到每个待合并像素点与每个归并像素点聚类簇之间的参考距离权重的方法包括:
将所述邻域影响差异特征值与所述灰度标准偏差值的乘积,作为参考乘积;将所述参考乘积与预设调节参数的和值,作为参考和值;将所述灰度差异特征值与所述参考和值的比值,作为每个待合并像素点与每个归并像素点聚类簇之间的参考距离权重。
进一步地,所述调整像素点聚类簇的获取方法包括:
计算每个待合并像素点与每个归并像素点聚类簇的聚类中心之间的欧氏距离;将所述参考距离权重与所述欧氏距离的比值,作为每个待合并像素点与每个归并像素点聚类簇之间的归并必要性;将每个待合并像素点划分到对应的最大归并必要性的归并像素点聚类簇中,得到各个调整像素点聚类簇。
进一步地,所述根据各个调整像素点聚类簇的像素点数量,分割出智能手机面板表面灰度图像的缺陷区域的方法包括:
计算各个调整像素点聚类簇的像素点数量的归一化值,将所述像素点数量的归一化值小于预设第三数量阈值的调整像素点聚类簇,作为缺陷像素点聚类簇;将所有缺陷像素点聚类簇中所有像素点对应的区域分割出来,作为智能手机面板表面灰度图像的缺陷区域,所述预设第三数量阈值大于0且小于1。
本发明具有如下有益效果:
考虑到迭代自组织聚类算法在处理图像时,通常需要结合各个样本点也即像素点的位置信息和灰度信息,因此像素点的灰度信息和位置信息均会对像素点的聚类簇归属产生影响,而基于迭代自组织聚类算法的原理,初步划分的像素点数量较少的聚类簇中的像素点会被进一步地归并到不同的聚类簇中,而在智能手机面板表面缺陷检测的场景中,缺陷边缘模糊区域的像素点对应的聚类簇通常对应像素点数量较少的待合并像素点聚类簇。因此为了使得缺陷区域更加完整,进一步地需要将属于缺陷边缘模糊区域的待合并像素点聚类簇中的像素点,尽可能划分对应的缺陷区域中。迭代自组织聚类算法基于最小距离调整的方法仅根据样本空间中像素点之间的距离进行归并,虽然部分缺陷边缘模糊区域的灰度值与正常区域接近,但是对应的邻域中像素点的灰度分布通常存在差异,因此可以根据该特点进行分析,提高灰度差异影响聚类簇划分的权重,根据每个像素点的局部邻域灰度差异,得到每个像素点的邻域灰度影响程度,进一步地结合邻域灰度影响程度,进一步地在邻域灰度影响程度的基础上结合灰度差异,得到参考距离权重,使得结合参考距离权重和距离所进一步地聚类分析得到的调整像素点聚类簇更加准确,也即提高属于缺陷边缘模糊区域被划分到对应缺陷区域的像素点聚类簇的权重,得到更加准确的缺陷区域,使得对智能手机面板表面进行缺陷检测的效果更好。
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智能手机面板表面缺陷检测方法流程图。
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智能手机面板表面缺陷检测方法,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智能手机面板表面缺陷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智能手机面板表面缺陷检测方法流程图,该方法包括:
步骤S1:获取智能手机面板表面灰度图像。
本发明旨在提供一种智能手机面板表面缺陷检测方法,用于根据智能手机面板表面灰度图像通过图像处理的方法进行分析,分割出智能手机面板表面灰度图像的缺陷区域。因此首先需要获取智能手机面板表面灰度图像。
在本发明实施例中,在智能手机面板生产线的正上方设置图像采集设备,并且图像采集设备俯视智能手机面板采集智能手机面板表面RGB图像,进一步地将智能手机面板表面RGB图像进行灰度化,得到本发明实施例所需要的智能手机面板表面灰度图像。在本发明实施例中,图像采集设备采用高精度工业相机,实施者也可选用其他图像采集设备,但是要保证能够得到RGB图像,在此不做进一步赘述。
步骤S2:根据智能手机面板表面灰度图像中各个像素点的像素坐标以及灰度值进行聚类分析,得到至少两个初始像素点聚类簇;根据每个像素点的局部邻域灰度差异,得到每个像素点的邻域灰度影响程度。
考虑到迭代自组织聚类算法在处理图像时,通常需要结合各个样本点也即像素点的位置信息和灰度信息,因此像素点的灰度信息和位置信息均会对像素点的聚类簇归属产生影响,而基于迭代自组织聚类算法的原理,初步划分的像素点数量较少的聚类簇中的像素点会被进一步地归并到不同的聚类簇中,而在智能手机面板表面缺陷检测的场景中,缺陷边缘模糊区域的像素点对应的聚类簇通常对应像素点数量较少的待合并像素点聚类簇。因此本发明实施例首先根据智能手机面板表面灰度图像中各个像素点的像素坐标以及灰度值进行聚类分析,得到至少两个初始像素点聚类簇。
优选地,初始像素点聚类簇的获取方法包括:
在智能手机面板表面灰度图像对应的图像坐标系的基础上,以像素点的灰度值为竖轴,构建空间直角坐标系;在空间直角坐标系中,获取每个像素点对应的三维坐标;通过迭代自组织聚类算法根据所有像素点的三维坐标进行初次聚类,得到至少两个初始像素点聚类簇。空间直角坐标系结合了图像坐标系的两个维度以及像素点的灰度值对应的第三个维度,使得基于空间直角坐标系中的像素点进行聚类分析的过程结合了灰度信息,从而区分出不同的图像区域。在本发明实施例中,以图像左下角为坐标原点构建图像坐标系,并以像素点的灰度值为竖轴,构建空间直角坐标系,实施者可根据具体实施环境自行选择坐标原点的位置,在此不做进一步赘述。
进一步地为了使得缺陷区域更加完整,需要将属于缺陷边缘模糊区域的待合并像素点聚类簇中的像素点,尽可能划分对应的缺陷区域中。迭代自组织聚类算法基于最小距离调整的方法仅根据样本空间中像素点之间的距离进行归并,虽然部分缺陷边缘模糊区域的灰度值与正常区域接近,但是对应的邻域中像素点的灰度分布通常存在差异,因此可以根据该特点进行分析,使得后续的聚类簇划分更加准确。因此首先需要结合邻域灰度差异的特征进行分析,根据每个像素点的局部邻域灰度差异,得到每个像素点的邻域灰度影响程度。
优选地,邻域灰度影响程度的获取公式包括:
其中,为空间直角坐标系中第/>个像素点的邻域灰度影响程度;/>为空间直角坐标系中第/>个像素点的预设邻域范围中的像素点数量;/>为空间直角坐标系中第/>个像素点的预设邻域范围中,第/>个像素点与第/>个像素点之间的灰度差异;/>空间直角坐标系中第/>个像素点的预设邻域范围中,第/>个像素点的像素坐标与第/>个像素点的像素坐标之间的距离;/>为空间直角坐标系中第/>个像素点的预设邻域范围中,第/>个像素点的三维坐标与第/>个像素点的三维坐标之间的距离,/>为归一化函数,在本发明实施例中,归一化函数方法采样线性归一化,实施者可根据具体实施环境自行调整。需要说明的是,预设邻域范围设置为7×7×7,实施者可根据具体实施环境自行调整。
对于公式中的部分而言,/>的大小由像素点之间的灰度差异决定,/>的大小由像素点之间的距离决定,而/>则是结合灰度差异和距离,因此/>作为分母的作用为对分子的数值范围进行限制。而分子为/>,通过在表征灰度差异的/>和表征距离也即位置差异的/>之间做差,能够通过对比的方式体现第/>个像素点与邻域内另一个像素点的灰度信息差异相比于位置信息差异在样本空间上的贡献程度;进一步地,结合其邻域中的各个像素点对应的/>进行累加,使得对应的累加值越大时,第/>个像素点在当前预设邻域内的灰度信息差异在邻域内越起到主导作用。而缺陷边缘模糊区域的像素点对应的聚类簇通常对应像素点数量较少的待合并像素点聚类簇,根据缺陷边缘模糊区域的特征,其对应的邻域灰度信息通常较为突出,因此对应的邻域灰度影响程度越大时,对应像素点越可能属于缺陷边缘模糊区域的像素点。
步骤S3:根据各个初始像素点聚类簇中的像素点数量,将所有初始像素点聚类簇划分为待合并像素点聚类簇和归并像素点聚类簇;将待合并像素点聚类簇中的像素点作为待合并像素点。
由于迭代自组织聚类算法需要进一步地将初步划分得到的像素点数量较少的聚类簇的像素点进行进一步地划分,归并到其他聚类簇中实现对聚类簇的调整,因此首选需要筛选出需要进一步划分的待合并像素点聚类簇和被划分到的归并像素点聚类簇。本发明实施例根据各个初始像素点聚类簇中的像素点数量,将所有初始像素点聚类簇划分为待合并像素点聚类簇和归并像素点聚类簇,将待合并像素点聚类簇中的像素点作为待合并像素点。
优选地,根据各个初始像素点聚类簇中的像素点数量,将所有初始像素点聚类簇划分为待合并像素点聚类簇和归并像素点聚类簇的方法包括:
将像素点数量小于预设第一数量阈值的初始像素点聚类簇作为待合并像素点聚类簇;将待合并像素点聚类簇外的其他初始像素点聚类簇,作为归并像素点聚类簇。在本发明实施例中,预设第一数量阈值设置为30,实施者可根据具体实施环境自行调整预设第一数量阈值的大小,在此不做进一步赘述。
步骤S4:根据每个待合并像素点与每个归并像素点聚类簇中的像素点之间的邻域影响程度差异和灰度差异,以及每个待合并像素点与所处待合并像素点聚类簇中所有像素点之间的灰度整体偏离情况,得到每个待合并像素点与每个归并像素点聚类簇之间的参考距离权重。
在本发明实施例的实施场景中,迭代自组织聚类算法能够通过三维的空间直角坐标系中每个像素点的三维坐标进行聚类分析,但是直接进行聚类分析的缺点即位置信息和灰度信息在聚类过程中的权重相同,可能导致某些与正常区域像素点的二维坐标较为接近且灰度值也较为接近的缺陷边缘模糊区域的像素点,被划分到正常区域中,使得后续的缺陷检测效果较差。因此为了使得聚类分析过程中的进一步划分更加准确,需要结合缺陷边缘模糊区域的像素点邻域灰度影响程度较大,以及存在一定灰度差异的特征,也即在进一步地聚类过程中提高缺陷边缘模糊区域像素点灰度影响的权重。本发明实施例根据每个待合并像素点与每个归并像素点聚类簇中的像素点之间的邻域影响程度差异和灰度差异,以及每个待合并像素点与所处待合并像素点聚类簇中所有像素点之间的灰度整体偏离情况,得到每个待合并像素点与每个归并像素点聚类簇之间的参考距离权重。
优选地,参考距离权重的获取方法包括:
将每个待合并像素点的灰度值与其所处待合并像素点聚类簇中所有像素点的灰度值均值之间的差异,作为每个待合并像素点的参考灰度偏差;将参考灰度偏差与对应的待合并像素点聚类簇中所有像素点的灰度值均值之间的比值,作为每个待合并像素点的灰度标准偏差值。对于每个待合并像素点聚类簇而言,所有像素点的灰度值均值即表征整个待合并像素点聚类簇的灰度分布特征,进一步地通过参考灰度偏差与灰度值均值作比值,通过得到的灰度标准偏差值对参考灰度偏差的数值进行限制,因此灰度标准偏差值即对应的像素点与整体灰度特征之间的差异,也即对应像素点的灰度值与所处聚类簇中整体灰度的偏离程度,对应的灰度标准偏差值越大,说明对应的像素点与整体灰度特征之间的差异越大,进行归并的必要性也就越大。
根据每个待合并像素点与指向每个归并像素点聚类簇方向上像素点之间的局部灰度差异,得到每个待合并像素点与每个归并像素点聚类簇之间的灰度差异特征值。考虑到对于需要归并的像素点也即待合并像素点而言,在指向每个归并像素点聚类簇的方向,对应的各个像素点与待合并像素点之间的灰度差异越小时,说明待合并像素点与对应的归并像素点聚类簇之间在灰度值上的相似度越高,也即归并的必要性越大。
优选地,灰度差异特征值的获取方法包括:
依次将每个待合并像素点作为目标待合并像素点;依次将每个归并像素点聚类簇作为目标归并像素点聚类簇;在目标待合并像素点指向目标归并像素点聚类簇的聚类中心方向上,将与目标待合并像素点距离最近的预设第二数量个像素点,作为目标归并像素点聚类簇中的对比归并像素点;将所有对比归并像素点的灰度值均值与目标待合并像素点的灰度值之间的差异,作为目标待合并像素点与目标归并像素点聚类簇之间的灰度差异特征值。在本发明实施例中,预设第二数量设置为20,实施者可根据具体实施环境自行调整。根据聚类的特性,如果目标待合并像素点需要被划分到目标归并像素点聚类簇中,则在目标待合并像素点指向目标归并像素点聚类簇的聚类中心上,像素点之间的灰度值通常是相似的,因此需要对指向聚类中心路径上的像素点的灰度值进行对比,对应的灰度差异越小,也即灰度差异特征值越小,说明目标待合并像素点与其在指向目标归并像素点聚类簇上像素点的灰度相似度越高,需要归并的必要性也就越大。
进一步地根据每个待合并像素点与每个归并像素点聚类簇中像素点之间的局部邻域灰度影响程度,得到每个待合并像素点与每个归并像素点聚类簇之间的邻域影响差异特征值。优选地,邻域影响差异特征值的获取方法包括:将所有对比归并像素点的邻域灰度影响程度的均值与目标待合并像素点的邻域灰度影响程度之间的差异,作为目标待合并像素点与目标归并像素点聚类簇之间的邻域影响差异特征值。与灰度差异特征值的计算过程类似,将灰度值替换为邻域灰度影响程度,即可根据灰度差异特征值的计算方法得到邻域影响差异特征值。对于正常区域而言,其对应的邻域灰度影响程度相对于表征缺陷边缘模糊区域的像素点更小,而缺陷区域的邻域灰度影响程度相对于正常区域更加接近于缺陷边缘模糊区域的像素点的邻域灰度影响程度。因此通过计算得到的邻域影响差异特征值越小时,目标待合并像素点与其在指向目标归并像素点聚类簇上的像素点的邻域灰度影响程度相似度越高,需要归并的必要性也就越大。
迭代自组织聚类算法在进行聚类簇合并操作时,是基于样本空间中的距离进行聚类分析的,为本发明实施例为了避免与正常区域像素点的二维坐标较为接近且灰度值也较为接近的缺陷边缘模糊区域的像素点,被划分到正常区域中,需要提高灰度差异的权重,因此通过上述分析得到的灰度标准偏差值、灰度差异特征值和邻域影响差异特征值作为权重对距离进行影响,使得缺陷边缘模糊区域的像素点能够被划分到其对应的缺陷区域中,使得后续缺陷检测过程更加准确。本发明实施例通过参考距离权重表征对聚类过程的距离的影响,对应的参考距离权重越大,表明待合并像素点需要被归并的到对应归并像素点聚类簇的必要性越大。进一步地根据灰度标准偏差值、灰度差异特征值和邻域影响差异特征值,得到每个待合并像素点与每个归并像素点聚类簇之间的参考距离权重,灰度标准偏差值与参考距离权重呈正相关关系,灰度差异特征值和邻域影响差异特征值均与参考距离权重呈负相关关系。
优选地,根据灰度标准偏差值、灰度差异特征值和邻域影响差异特征值,得到每个待合并像素点与每个归并像素点聚类簇之间的参考距离权重的方法包括:
由于灰度标准偏差值越大,灰度差异特征值和邻域影响差异特征值越小时,对应的待合并像素点需要被归并的到对应归并像素点聚类簇的必要性越大,也即参考距离权重越大。因此将邻域影响差异特征值与灰度标准偏差值的乘积,作为参考乘积;将参考乘积与预设调节参数的和值,作为参考和值;将灰度差异特征值与参考和值的比值,作为每个待合并像素点与每个归并像素点聚类簇之间的参考距离权重。在本发明实施例中,预设调节参数设置为0.1,用于防止分母为0。
在本发明实施例中,依次将每个待合并像素点作为第个待合并像素点,依次将每个归并像素点聚类簇作为第/>个归并像素点聚类簇,则第/>个待合并像素点与第/>个归并像素点聚类簇之间的参考距离权重的获取方法在公式上表现为:
其中,为第/>个待合并像素点与第/>个归并像素点聚类簇之间的参考距离权重,为第/>个待合并像素点的邻域灰度影响程度,/>为预设第二数量,/>为第/>个待合并像素点指向第/>个归并像素点聚类簇的聚类中心方向上距离最近的预设第二数量个像素点中第/>个像素点的邻域灰度影响程度,/>为第/>个待合并像素点的灰度值,/>为第/>个待合并像素点指向第/>个归并像素点聚类簇的聚类中心方向上距离最近的预设第二数量个像素点中第/>个像素点的灰度值,/>为第/>个待合并像素点所处待合并像素点聚类簇中所有像素点的灰度值均值;/>为绝对值符号;/>为预设调节参数。/>为第/>个待合并像素点的参考灰度偏差;/>为第/>个待合并像素点的灰度标准偏差值;/>为第/>个待合并像素点与第/>个归并像素点聚类簇之间的邻域影响差异特征值;/>为第/>个待合并像素点与第/>个归并像素点聚类簇之间的灰度差异特征值;为第/>个待合并像素点与第/>个归并像素点聚类簇之间的参考乘积;/>为第/>个待合并像素点与第/>个归并像素点聚类簇之间的参考和值。
步骤S5:根据参考距离权重,以及每个待合并像素点与每个归并像素点聚类簇的聚类中心之间的距离进行聚类分析,得到至少两个调整像素点聚类簇;根据各个调整像素点聚类簇的像素点数量,分割出智能手机面板表面灰度图像的缺陷区域。
在得到参考距离权重后,进一步地结合样本空间中待合并像素点与归并像素点聚类簇之间的距离进行进一步地聚类簇调整划分,本发明实施例根据参考距离权重,以及每个待合并像素点与每个归并像素点聚类簇的聚类中心之间的距离进行聚类分析,得到至少两个调整像素点聚类簇。
优选地,调整像素点聚类簇的获取方法包括:
计算每个待合并像素点与每个归并像素点聚类簇的聚类中心之间的欧氏距离;将参考距离权重与欧氏距离的比值,作为每个待合并像素点与每个归并像素点聚类簇之间的归并必要性;根据聚类算法的原理,在样本空间中,样本点与聚类中心之间的距离越近,则样本点划分到对应聚类簇中的必要性越高,而参考距离权重与归并必要性呈正相关,因此通过参考距离权重与该欧氏距离的比值,得到归并必要性越大,说明对应的待合并像素点越应该归并到对应的归并像素点聚类簇中,因此将每个待合并像素点划分到对应的最大归并必要性的归并像素点聚类簇中,得到各个调整像素点聚类簇。需要说明的是,实施者也可根据具体实施环境采用欧氏距离外的其他距离计算方法,在此不做进一步赘述。
最后根据各个调整像素点聚类簇的像素点数量,分割出智能手机面板表面灰度图像的缺陷区域。优选地,根据各个调整像素点聚类簇的像素点数量,分割出智能手机面板表面灰度图像的缺陷区域的方法包括:计算各个调整像素点聚类簇的像素点数量的归一化值。将像素点数量的归一化值小于预设第三数量阈值的调整像素点聚类簇,作为缺陷像素点聚类簇;将所有缺陷像素点聚类簇中所有像素点对应的区域分割出来,作为智能手机面板表面灰度图像的缺陷区域,预设第三数量阈值大于0且小于1。缺陷区域的面积通常偏小,因此选择像素点数量较小的调整像素点聚类簇作为缺陷区域对应的像素点聚类簇。在本发明实施例中,预设第三数量阈值设置为0.15,实施者可根据具体实施环境自行调整。
综上所述,本发明根据智能手机面板表面灰度图像中各个像素点的像素坐标和灰度值构建样本空间进行聚类分析,得到待合并像素点聚类簇和归并像素点聚类簇;获取表征每个像素点局部邻域灰度差异的邻域灰度影响程度后,根据待合并像素点与归并像素点聚类簇之间的邻域影响程度差异和灰度差异,以及待合并像素点聚类簇中的灰度整体偏离情况,得到参考距离权重,使得结合参考距离权重和距离所进一步地聚类分析得到的调整像素点聚类簇更加准确,也即得到的缺陷区域更加准确,使得对智能手机面板表面进行缺陷检测的效果更好。
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 (6)
1.一种智能手机面板表面缺陷检测方法,其特征在于,所述方法包括:
获取智能手机面板表面灰度图像;
根据智能手机面板表面灰度图像中各个像素点的像素坐标以及灰度值进行聚类分析,得到至少两个初始像素点聚类簇;根据每个像素点的局部邻域灰度差异,得到每个像素点的邻域灰度影响程度;
根据各个初始像素点聚类簇中的像素点数量,将所有初始像素点聚类簇划分为待合并像素点聚类簇和归并像素点聚类簇;将待合并像素点聚类簇中的像素点作为待合并像素点;
根据每个待合并像素点与每个归并像素点聚类簇中的像素点之间的邻域影响程度差异和灰度差异,以及每个待合并像素点与所处待合并像素点聚类簇中所有像素点之间的灰度整体偏离情况,得到每个待合并像素点与每个归并像素点聚类簇之间的参考距离权重;
根据所述参考距离权重,以及每个待合并像素点与每个归并像素点聚类簇的聚类中心之间的距离进行聚类分析,得到至少两个调整像素点聚类簇;根据各个调整像素点聚类簇的像素点数量,分割出智能手机面板表面灰度图像的缺陷区域;
所述参考距离权重的获取方法包括:
将每个待合并像素点的灰度值与其所处待合并像素点聚类簇中所有像素点的灰度值均值之间的差异,作为每个待合并像素点的参考灰度偏差;将所述参考灰度偏差与对应的待合并像素点聚类簇中所有像素点的灰度值均值之间的比值,作为每个待合并像素点的灰度标准偏差值;
根据每个待合并像素点与指向每个归并像素点聚类簇方向上像素点之间的局部灰度差异,得到每个待合并像素点与每个归并像素点聚类簇之间的灰度差异特征值;
根据每个待合并像素点与每个归并像素点聚类簇中像素点之间的局部邻域灰度影响程度,得到每个待合并像素点与每个归并像素点聚类簇之间的邻域影响差异特征值;
根据所述灰度标准偏差值、所述灰度差异特征值和所述邻域影响差异特征值,得到每个待合并像素点与每个归并像素点聚类簇之间的参考距离权重,所述灰度标准偏差值与所述参考距离权重呈正相关关系,所述灰度差异特征值和所述邻域影响差异特征值均与所述参考距离权重呈负相关关系;
所述灰度差异特征值的获取方法包括:
依次将每个待合并像素点作为目标待合并像素点;依次将每个归并像素点聚类簇作为目标归并像素点聚类簇;在目标待合并像素点指向目标归并像素点聚类簇的聚类中心方向上,将与目标待合并像素点距离最近的预设第二数量个像素点,作为目标归并像素点聚类簇中的对比归并像素点;将所有对比归并像素点的灰度值均值与所述目标待合并像素点的灰度值之间的差异,作为目标待合并像素点与目标归并像素点聚类簇之间的灰度差异特征值;
所述邻域影响差异特征值的获取方法包括:
将所有对比归并像素点的邻域灰度影响程度的均值与所述目标待合并像素点的邻域灰度影响程度之间的差异,作为目标待合并像素点与目标归并像素点聚类簇之间的邻域影响差异特征值;
所述根据所述灰度标准偏差值、所述灰度差异特征值和所述邻域影响差异特征值,得到每个待合并像素点与每个归并像素点聚类簇之间的参考距离权重的方法包括:
将所述邻域影响差异特征值与所述灰度标准偏差值的乘积,作为参考乘积;将所述参考乘积与预设调节参数的和值,作为参考和值;将所述灰度差异特征值与所述参考和值的比值,作为每个待合并像素点与每个归并像素点聚类簇之间的参考距离权重。
2.根据权利要求1所述的一种智能手机面板表面缺陷检测方法,其特征在于,所述初始像素点聚类簇的获取方法包括:
在智能手机面板表面灰度图像对应的图像坐标系的基础上,以像素点的灰度值为竖轴,构建空间直角坐标系;在所述空间直角坐标系中,获取每个像素点对应的三维坐标;通过迭代自组织聚类算法根据所有像素点的三维坐标进行初次聚类,得到至少两个初始像素点聚类簇。
3.根据权利要求2所述的一种智能手机面板表面缺陷检测方法,其特征在于,所述邻域灰度影响程度的获取公式包括:
其中,为所述空间直角坐标系中第/>个像素点的邻域灰度影响程度;/>为所述空间直角坐标系中第/>个像素点的预设邻域范围中的像素点数量;/>为所述空间直角坐标系中第/>个像素点的预设邻域范围中,第/>个像素点与第/>个像素点之间的灰度差异;/>所述空间直角坐标系中第/>个像素点的预设邻域范围中,第/>个像素点的像素坐标与第/>个像素点的像素坐标之间的距离;/>为所述空间直角坐标系中第/>个像素点的预设邻域范围中,第/>个像素点的三维坐标与第/>个像素点的三维坐标之间的距离,/>为归一化函数。
4.根据权利要求1所述的一种智能手机面板表面缺陷检测方法,其特征在于,所述根据各个初始像素点聚类簇中的像素点数量,将所有初始像素点聚类簇划分为待合并像素点聚类簇和归并像素点聚类簇的方法包括:
将像素点数量小于预设第一数量阈值的初始像素点聚类簇作为待合并像素点聚类簇;将待合并像素点聚类簇外的其他初始像素点聚类簇,作为归并像素点聚类簇。
5.根据权利要求1所述的一种智能手机面板表面缺陷检测方法,其特征在于,所述调整像素点聚类簇的获取方法包括:
计算每个待合并像素点与每个归并像素点聚类簇的聚类中心之间的欧氏距离;将所述参考距离权重与所述欧氏距离的比值,作为每个待合并像素点与每个归并像素点聚类簇之间的归并必要性;将每个待合并像素点划分到对应的最大归并必要性的归并像素点聚类簇中,得到各个调整像素点聚类簇。
6.根据权利要求1所述的一种智能手机面板表面缺陷检测方法,其特征在于,所述根据各个调整像素点聚类簇的像素点数量,分割出智能手机面板表面灰度图像的缺陷区域的方法包括:
计算各个调整像素点聚类簇的像素点数量的归一化值,将所述像素点数量的归一化值小于预设第三数量阈值的调整像素点聚类簇,作为缺陷像素点聚类簇;将所有缺陷像素点聚类簇中所有像素点对应的区域分割出来,作为智能手机面板表面灰度图像的缺陷区域,所述预设第三数量阈值大于0且小于1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311640452.1A CN117351008B (zh) | 2023-12-04 | 2023-12-04 | 一种智能手机面板表面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311640452.1A CN117351008B (zh) | 2023-12-04 | 2023-12-04 | 一种智能手机面板表面缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117351008A CN117351008A (zh) | 2024-01-05 |
CN117351008B true CN117351008B (zh) | 2024-03-15 |
Family
ID=89371359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311640452.1A Active CN117351008B (zh) | 2023-12-04 | 2023-12-04 | 一种智能手机面板表面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117351008B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117556279B (zh) * | 2024-01-12 | 2024-04-09 | 江苏雷博微电子设备有限公司 | 基于电参数分析的匀胶显影机运行状态监测方法及系统 |
CN117557569B (zh) * | 2024-01-12 | 2024-04-02 | 吉林交通职业技术学院 | 一种道路路面施工质量检测方法及系统 |
CN117593303B (zh) * | 2024-01-18 | 2024-04-09 | 浙江锦德光电材料有限公司 | 一种量子点光学膜的缺陷检测方法及系统 |
CN117593305B (zh) * | 2024-01-19 | 2024-04-05 | 天津康博轻钢制造有限公司 | 一种面向高频焊接h型钢的视觉定位系统 |
CN117611583B (zh) * | 2024-01-22 | 2024-04-19 | 张家港飞腾复合新材料股份有限公司 | 基于人工智能的铝复合板缺陷检测方法及系统 |
CN117690030B (zh) * | 2024-02-02 | 2024-04-26 | 陕西仙喜辣木茯茶有限公司 | 基于图像处理的多面发花识别方法及系统 |
CN117689552B (zh) * | 2024-02-02 | 2024-04-05 | 科普云医疗软件(深圳)有限公司 | 一种心内科介入治疗用冠状动脉造影增强方法 |
CN117808796B (zh) * | 2024-02-23 | 2024-05-28 | 陕西长空齿轮有限责任公司 | 一种基于计算机视觉的齿轮表面损伤检测方法 |
CN117788459B (zh) * | 2024-02-23 | 2024-04-30 | 青岛正大正电力环保设备有限公司 | 基于图像特征的链条磨损检测方法 |
CN117788873B (zh) * | 2024-02-26 | 2024-05-03 | 山东和润恒建筑工程有限公司 | 一种工程建筑bim数据安全管理方法 |
CN117808797B (zh) * | 2024-02-28 | 2024-04-30 | 陕西长空齿轮有限责任公司 | 一种齿轮表面毛刺高精度视觉检测方法 |
CN117828379B (zh) * | 2024-03-05 | 2024-05-07 | 山东省地质测绘院 | 基于多源数据融合的地下资源探测方法 |
CN117974656A (zh) * | 2024-03-29 | 2024-05-03 | 深圳市众翔奕精密科技有限公司 | 基于电子辅料加工下的材料切片方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114359416A (zh) * | 2022-03-17 | 2022-04-15 | 山东水利建设集团有限公司 | 一种建筑物外墙空鼓渗漏异常检测及定位方法 |
CN115311479A (zh) * | 2022-09-30 | 2022-11-08 | 南通鑫生派智能科技有限公司 | 一种汽车工件装配图像识别方法及系统 |
CN116030034A (zh) * | 2023-02-21 | 2023-04-28 | 青岛精锐机械制造有限公司 | 阀门表面缺陷的视觉识别方法 |
CN116229335A (zh) * | 2023-05-10 | 2023-06-06 | 山东大佳机械有限公司 | 基于图像数据的畜禽养殖场环境识别方法 |
CN116596936A (zh) * | 2023-07-18 | 2023-08-15 | 深圳市魔方卫星科技有限公司 | 基于图像数据的太阳翼帆板质量检测方法 |
CN117094917A (zh) * | 2023-10-20 | 2023-11-21 | 高州市人民医院 | 一种心血管3d打印数据处理方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6389164B2 (en) * | 1998-09-23 | 2002-05-14 | Xerox Corporation | Image segmentation apparatus and method |
-
2023
- 2023-12-04 CN CN202311640452.1A patent/CN117351008B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114359416A (zh) * | 2022-03-17 | 2022-04-15 | 山东水利建设集团有限公司 | 一种建筑物外墙空鼓渗漏异常检测及定位方法 |
CN115311479A (zh) * | 2022-09-30 | 2022-11-08 | 南通鑫生派智能科技有限公司 | 一种汽车工件装配图像识别方法及系统 |
CN116030034A (zh) * | 2023-02-21 | 2023-04-28 | 青岛精锐机械制造有限公司 | 阀门表面缺陷的视觉识别方法 |
CN116229335A (zh) * | 2023-05-10 | 2023-06-06 | 山东大佳机械有限公司 | 基于图像数据的畜禽养殖场环境识别方法 |
CN116596936A (zh) * | 2023-07-18 | 2023-08-15 | 深圳市魔方卫星科技有限公司 | 基于图像数据的太阳翼帆板质量检测方法 |
CN117094917A (zh) * | 2023-10-20 | 2023-11-21 | 高州市人民医院 | 一种心血管3d打印数据处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117351008A (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117351008B (zh) | 一种智能手机面板表面缺陷检测方法 | |
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN113724231B (zh) | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 | |
CN115861291B (zh) | 基于机器视觉的贴片电路板生产缺陷检测方法 | |
CN111161222B (zh) | 一种基于视觉显著性的印刷辊筒缺陷检测方法 | |
CN115131354B (zh) | 一种基于光学手段的实验室用塑料薄膜缺陷检测方法 | |
CN116091504B (zh) | 基于图像处理的连接管连接头质量检测方法 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN116740070A (zh) | 基于机器视觉的塑料管道外观缺陷检测方法 | |
CN116402810B (zh) | 基于图像处理的润滑油抗磨粒质量检测方法 | |
CN109359604B (zh) | 面向巡检机器人的阴影干扰下仪表识别方法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN116630304B (zh) | 一种基于人工智能的锂电池模具加工检测方法及系统 | |
CN116862910B (zh) | 基于自动化裁切生产的视觉检测方法 | |
CN116228780B (zh) | 基于计算机视觉的硅片缺陷检测方法及系统 | |
CN115047610B (zh) | 一种自动拟合显微对焦平面的染色体核型分析装置及方法 | |
CN115274486B (zh) | 一种半导体表面缺陷识别方法 | |
CN115290663A (zh) | 基于光学检测的Mini LED晶圆外观缺陷检测方法 | |
CN112819842B (zh) | 适用于工件质检的工件轮廓曲线拟合方法、装置及介质 | |
CN114140416A (zh) | 一种基于机器视觉的玻璃边缘检测方法和系统 | |
CN116862907B (zh) | 基于图像特征的电机配件质量检测方法 | |
CN112184619A (zh) | 一种基于深度学习的金属部件表面缺陷检测方法 | |
CN112750119B (zh) | 一种面向白玻璃盖板表面微弱缺陷的检测与测量方法 | |
CN117152447B (zh) | 一种冲切模具智能管理方法及系统 | |
CN118037722B (zh) | 一种铜管生产缺陷检测方法及系统 |
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 |