CN117392066B - 缺陷检测方法、装置、设备及存储介质 - Google Patents
缺陷检测方法、装置、设备及存储介质Info
- Publication number
- CN117392066B CN117392066B CN202311254013.7A CN202311254013A CN117392066B CN 117392066 B CN117392066 B CN 117392066B CN 202311254013 A CN202311254013 A CN 202311254013A CN 117392066 B CN117392066 B CN 117392066B
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- feature
- initial
- target
- 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 315
- 238000001514 detection method Methods 0.000 title claims abstract description 77
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000010191 image analysis Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 21
- 238000001914 filtration Methods 0.000 claims description 18
- 230000011218 segmentation Effects 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 8
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 230000002950 deficient Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 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
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Abstract
本说明书实施例提供缺陷检测方法、装置、设备及存储介质,其中缺陷检测方法包括:获取初始缺陷图像,对初始缺陷图像进行优化处理,得到目标缺陷图像;基于目标缺陷图像进行特征提取,得到初始缺陷特征图像;基于初始缺陷特征图像进行特征增强处理,得到目标缺陷特征图像;基于目标缺陷特征图像进行图像提取,得到局部缺陷图像;对局部缺陷图像进行图像分析,确定缺陷区域。通过对初始缺陷图像进行优化处理、基于初始缺陷特征图像进行特征增强处理以及基于目标缺陷特征图像进行图像提取,提高了检测精度,并且降低了检测时间,由此实现了更高的检测效率。
Description
技术领域
本说明书实施例涉及图像处理技术领域,特别涉及缺陷检测方法。
背景技术
在工业视觉中产品的外观瑕疵检测是表面检测行业使用最广泛的一个功能,但是由于瑕疵的种类各不相同,在同一个采集位置有可能会出现某些角度的缺陷呈现出对比度较弱的情况,但该类缺陷对于产品的质量也会带来影响,需要对这种弱对比度的缺陷进行检测,来保证有质量瑕疵的这类弱对比缺陷能够不流出市场,减少客户投诉,提高产品的质量。
由于材料本身,设备故障,外界因素,人为因素的影响,会导致表面缺陷的产生,表面的缺陷会对机械性能,产品外观,产品的质量和使用性能,比如抗腐蚀性、抗磨性以及疲劳极限,因此对于表面缺陷视觉检测和判断在卷材生产过程中就有很重要的作用。表面缺陷视觉检测是利用机器视觉原理,综合图像处理、模式识别和人工智能等技术对物体的运动、形状、姿态进行分析以及对物体几何尺寸等物理参数进行准确的非接触在线检测的过程。随着现代化工业的飞速发展,各类工业都提出了在线非接触无损检测的要求,使得机器视觉检测得到研究者的广泛关注。在工业视觉中产品的外观瑕疵检测是表面检测行业使用最广泛的一个功能,但是由于瑕疵的种类各不相同,在同一个采集位置有可能会出现某些角度的缺陷呈现出对比度较弱的情况,这类缺陷对于检测系统来说容易产生漏检,精准度低。由此,亟需一种更好的方案。
发明内容
有鉴于此,本说明书实施例提供了缺陷检测方法。本说明书一个或者多个实施例同时涉及缺陷检测装置,一种计算设备,一种计算机可读存储介质以及一种计算机程序,以解决现有技术中存在的技术缺陷。
根据本说明书实施例的第一方面,提供了一种缺陷检测方法,包括:
获取初始缺陷图像,对初始缺陷图像进行优化处理,得到目标缺陷图像;
基于目标缺陷图像进行特征提取,得到初始缺陷特征图像;
基于初始缺陷特征图像进行特征增强处理,得到目标缺陷特征图像;
基于目标缺陷特征图像进行图像提取,得到局部缺陷图像;
对局部缺陷图像进行图像分析,确定缺陷区域。
在一种可能的实现方式中,对初始缺陷图像进行优化处理,得到目标缺陷图像,包括:
基于预设滤波规则对初始缺陷图像进行滤波,得到滤波图像;
基于预设增强规则对滤波图像进行高频增强,得到第一增强图像;
确定缩小倍率,基于缩小倍率对第一增强图像进行图像缩放,得到目标缺陷图像。
在一种可能的实现方式中,基于目标缺陷图像进行特征提取,得到初始缺陷特征图像,包括:
基于目标缺陷图像进行高斯滤波得到均值图像;
确定边缘算子,基于边缘算子和目标缺陷图像确定横向边缘图像和纵向边缘图像;
基于均值图像、横向边缘图像、纵向边缘图像,得到初始缺陷特征图像。
在一种可能的实现方式中,基于均值图像、横向边缘图像、纵向边缘图像,得到初始缺陷特征图像,包括:
基于均值图像和横向边缘图像确定第一中间图像;
基于均值图像和纵向边缘图像确定第二中间图像;
基于均值图像、横向边缘和纵向边缘确定第三中间图像;
基于第一中间图像、第二中间图像、第三中间图像以及设定参数,得到初始缺陷特征图像。
在一种可能的实现方式中,基于初始缺陷特征图像进行特征增强处理,得到目标缺陷特征图像,包括:
基于初始缺陷特征图像进行灰度开运算,得到第二增强图像;
对第二增强图像进行高频增强,得到目标缺陷特征图像。
在一种可能的实现方式中,基于目标缺陷特征图像进行图像提取,得到局部缺陷图像,包括:
确定目标缺陷特征图像的均值和方差;
基于均值和方差确定分割阈值,并基于分割阈值和目标缺陷特征图像确定二值图像;
基于二值图像确定局部缺陷图像。
在一种可能的实现方式中,对局部缺陷图像进行图像分析,确定缺陷区域,包括:
对局部缺陷图像进行形态学处理,确定缺陷区域。
根据本说明书实施例的第二方面,提供了一种缺陷检测装置,包括:
图像优化模块,被配置为获取初始缺陷图像,对初始缺陷图像进行优化处理,得到目标缺陷图像;
特征提取模块,被配置为基于目标缺陷图像进行特征提取,得到初始缺陷特征图像;
特征增强模块,被配置为基于初始缺陷特征图像进行特征增强处理,得到目标缺陷特征图像;
图像提取模块,被配置为基于目标缺陷特征图像进行图像提取,得到局部缺陷图像;
缺陷确定模块,被配置为对局部缺陷图像进行图像分析,确定缺陷区域。
根据本说明书实施例的第三方面,提供了一种计算设备,包括:
存储器和处理器;
存储器用于存储计算机可执行指令,处理器用于执行计算机可执行指令,该计算机可执行指令被处理器执行时实现上述缺陷检测方法的步骤。
根据本说明书实施例的第四方面,提供了一种计算机可读存储介质,其存储有计算机可执行指令,该指令被处理器执行时实现上述缺陷检测方法的步骤。
根据本说明书实施例的第五方面,提供了一种计算机程序,其中,当所述计算机程序在计算机中执行时,令计算机执行上述缺陷检测方法的步骤。
本说明书实施例提供缺陷检测方法、装置、设备及存储介质,其中缺陷检测方法包括:获取初始缺陷图像,对初始缺陷图像进行优化处理,得到目标缺陷图像;基于目标缺陷图像进行特征提取,得到初始缺陷特征图像;基于初始缺陷特征图像进行特征增强处理,得到目标缺陷特征图像;基于目标缺陷特征图像进行图像提取,得到局部缺陷图像;对局部缺陷图像进行图像分析,确定缺陷区域。通过对初始缺陷图像进行优化处理、基于初始缺陷特征图像进行特征增强处理以及基于目标缺陷特征图像进行图像提取,提高了检测精度,并且降低了检测时间,由此实现了更高的检测效率。
附图说明
图1是本说明书一个实施例提供的一种缺陷检测方法的场景示意图;
图2是本说明书一个实施例提供的一种缺陷检测方法的流程图;
图3是本说明书一个实施例提供的一种缺陷检测方法的滤波处理示意图;
图4是本说明书一个实施例提供的一种缺陷检测方法的对比度增强示意图;
图5是本说明书一个实施例提供的一种缺陷检测方法的图像缩放示意图;
图6是本说明书一个实施例提供的一种缺陷检测方法的卷积因子示意图;
图7是本说明书一个实施例提供的一种缺陷检测方法的图像提取示意图;
图8是本说明书一个实施例提供的一种缺陷检测方法的灰度处理示意图;
图9是本说明书一个实施例提供的一种缺陷检测方法的高频增强示意图;
图10是本说明书一个实施例提供的一种缺陷检测方法的缺陷区域示意图;
图11是本说明书一个实施例提供的一种缺陷检测方法的缺陷提取示意图;
图12是本说明书一个实施例提供的一种缺陷检测装置的结构示意图;
图13是本说明书一个实施例提供的一种计算设备的结构框图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本说明书。但是本说明书能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本说明书内涵的情况下做类似推广,因此本说明书不受下面公开的具体实施的限制。
在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书一个或多个实施例范围的情况下,第一也可以被称为第二,类似地,第二也可以被称为第一。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
在本说明书中,提供了缺陷检测方法,本说明书同时涉及缺陷检测装置,一种计算设备,以及一种计算机可读存储介质,在下面的实施例中逐一进行详细说明。
参见图1,图1示出了根据本说明书一个实施例提供的一种缺陷检测方法的场景示意图。
在图1的应用场景中,计算设备101可以获取初始缺陷图像102,对初始缺陷图像102进行优化处理,得到目标缺陷图像103;计算设备101可以基于目标缺陷图像103进行特征提取,得到初始缺陷特征图像104;计算设备101可以基于初始缺陷特征图像104进行特征增强处理,得到目标缺陷特征图像105;计算设备101可以基于目标缺陷特征图像105进行图像提取,得到局部缺陷图像106;计算设备101可以对局部缺陷图像106进行图像分析,确定缺陷区域,如附图标记107所示。
需要说明的是,上述计算设备101可以是硬件,也可以是软件。当计算设备101为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备101体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
参见图2,图2示出了根据本说明书一个实施例提供的一种缺陷检测方法的流程图,具体包括以下步骤。
步骤201:获取初始缺陷图像,对初始缺陷图像进行优化处理,得到目标缺陷图像。
在一种可能的实现方式中,对初始缺陷图像进行优化处理,得到目标缺陷图像,包括:基于预设滤波规则对初始缺陷图像进行滤波,得到滤波图像;基于预设增强规则对滤波图像进行高频增强,得到第一增强图像;确定缩小倍率,基于缩小倍率对第一增强图像进行图像缩放,得到目标缺陷图像。
具体的,高斯滤波是一种线性平滑滤波,适用于消除高斯噪声,广泛应用于图像处理的减噪过程。通俗的讲,高斯滤波就是对整幅图像进行加权平均的过程,每一个像素点的值,都由其本身和邻域内的其他像素值经过加权平均后得到。
在实际应用中,用一个模板(或称卷积、掩模)扫描图像中的每一个像素,用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值,高斯卷积核如下:
其中与与高斯卷积核的尺寸Size有关,如下所述:
Size=3 (=0.600)
Size=5 (=1.075)
Size=7 (=1.550)
Size=9 (=2.025)
Size=11(=2.550)
处理后的图像如图3所示。
进一步的,由于缺陷在图像中的特征一般为高频区域,本说明书实施例通过高频增强方式,对图像进行对比度增强,从而使得缺陷和背景的对比度得到提升,增强的算法公式如下:
其中代表高频增强后图像横坐标x,纵坐标y的像素灰度,代表着原始图像横坐标x,纵坐标y的像素灰度,代表像素在掩膜块的灰度均值,代表着对比度增强的倍率,round代表着向上取整操作。本说明书实施例设置为7,的掩膜块尺寸为31,处理后的图像如图4所示。
进一步的,由于要保证生产线的检测速度,图像增强以后,对图像缩小一定的倍率可以较好的保证检测的速度,同时兼顾增强以后的缺陷效果,图像缩放以后的效果如图5所示。
步骤202:基于目标缺陷图像进行特征提取,得到初始缺陷特征图像。
在一种可能的实现方式中,基于目标缺陷图像进行特征提取,得到初始缺陷特征图像,包括:基于目标缺陷图像进行高斯滤波得到均值图像;确定边缘算子,基于边缘算子和目标缺陷图像确定横向边缘图像和纵向边缘图像;基于均值图像、横向边缘图像、纵向边缘图像,得到初始缺陷特征图像。
在实际应用中,为了找到在背景中的弱对比的缺陷位置,本说明书实施例采用了灰度角点特征的提取方法,提取的公式如下:
其中是输入的原始图像,代表在用高斯滤波得到的均值图像,代表使用sobel计算横向x的边缘图像,代表使用sobel计算纵向y的边缘图像。
在一种可能的实现方式中,基于均值图像、横向边缘图像、纵向边缘图像,得到初始缺陷特征图像,包括:基于均值图像和横向边缘图像确定第一中间图像;基于均值图像和纵向边缘图像确定第二中间图像;基于均值图像、横向边缘和纵向边缘确定第三中间图像;基于第一中间图像、第二中间图像、第三中间图像以及设定参数,得到初始缺陷特征图像。
在实际应用中,Soble算子的计算方法如图6所示。将图像与sobel卷积核Gx和Gy进行卷积运算得到和。最终处理后的结果如图7所示。可以看出原来的对比度很弱的缺陷在强特征提取后变的对比非常明显,已经开始适合去进行缺陷的处理。
步骤203:基于初始缺陷特征图像进行特征增强处理,得到目标缺陷特征图像。
在一种可能的实现方式中,基于初始缺陷特征图像进行特征增强处理,得到目标缺陷特征图像,包括:基于初始缺陷特征图像进行灰度开运算,得到第二增强图像;对第二增强图像进行高频增强,得到目标缺陷特征图像。
在实际应用中,由于在全幅图像上还存在噪声也会导致出现提取出比较明显的特征,本说明书实施例使用灰度形态学对图像进行滤波,灰度开运算能够保留灰度图像中特定的强度的同时,削弱图像中的某种强度,如图8所示。通过灰度开运算,灰度图像中一些被暗色(黑)包围的较小的亮色(白)通过开运算杯抹去,而表示出的一些较大的亮色区域却被保留了下来,从而得到削弱图像强度的效果。
步骤204:基于目标缺陷特征图像进行图像提取,得到局部缺陷图像。
在一种可能的实现方式中,基于目标缺陷特征图像进行图像提取,得到局部缺陷图像,包括:确定目标缺陷特征图像的均值和方差;基于均值和方差确定分割阈值,并基于分割阈值和目标缺陷特征图像确定二值图像;基于二值图像确定局部缺陷图像。
在实际应用中,灰度形态学以后图像再通过高频增强方式,对图像进行对比度增强,从而使得缺陷和背景的对比度再次得到提升,如图9所示。
进一步的,高频增强后缺陷和背景的对比度已经拉开,为了提高算法的实时性,本说明书实施例使用了基于统计的方式对缺陷区域进行提取,首先计算图像的均值和方差,图像的区域为,如下:
通过均值和方差的运算来计算分割阈值T,获得二值图像G,计算公式如下:
其中,代表阈值系数,将图像G中像素灰度为255的像素点坐标集合起来就得到了缺陷的初步区域。
步骤205:对局部缺陷图像进行图像分析,确定缺陷区域。
在一种可能的实现方式中,对局部缺陷图像进行图像分析,确定缺陷区域,包括:对局部缺陷图像进行形态学处理,确定缺陷区域。
在实际应用中,得到缺陷初步区域后,对区域做形态学处理,过滤较小的噪点,联通断开的区域,通过区域的特征,假设考虑检测长条形的区域,设置筛选条件为面积和区域的结构因子特征,最后把临近的缺陷做膨胀合并,再求取联通区域,得到联通区域后,跟筛选后的缺陷做交集运算,得到了完整的缺陷区域,参见图10。
进一步的,参见图11,通过上述检测方法可以完整的将浅色划痕检测出来,且由于设置了区域特征筛选机器,左侧的黑色圆块并没有出现在最终的检测结果中,目前该检测方法有如下特点:
(1)针对弱对比缺陷的对比度增强方法,提高了缺陷像素和背景的灰度差异,使得缺陷提取的难度降低。
(2)强特征提取方式通过在横向,纵向和交叉方向的组合,极大的提高了缺陷像素在图像中的对比,而且通过专门设计的Blob分析过程,可以完整的将缺陷区域提取出来,
(3)在弱对比增强过程中,加入了图像尺寸变换和区域尺度变换,从而能够在检测能力和实时性上得到兼顾。
本说明书实施例提供缺陷检测方法、装置、设备及存储介质,其中缺陷检测方法包括:获取初始缺陷图像,对初始缺陷图像进行优化处理,得到目标缺陷图像;基于目标缺陷图像进行特征提取,得到初始缺陷特征图像;基于初始缺陷特征图像进行特征增强处理,得到目标缺陷特征图像;基于目标缺陷特征图像进行图像提取,得到局部缺陷图像;对局部缺陷图像进行图像分析,确定缺陷区域。通过对初始缺陷图像进行优化处理、基于初始缺陷特征图像进行特征增强处理以及基于目标缺陷特征图像进行图像提取,提高了检测精度,并且降低了检测时间,由此实现了更高的检测效率。
与上述方法实施例相对应,本说明书还提供了缺陷检测装置实施例,图12示出了本说明书一个实施例提供的一种缺陷检测装置的结构示意图。如图12所示,该装置包括:
图像优化模块1201,被配置为获取初始缺陷图像,对初始缺陷图像进行优化处理,得到目标缺陷图像;
特征提取模块1202,被配置为基于目标缺陷图像进行特征提取,得到初始缺陷特征图像;
特征增强模块1203,被配置为基于初始缺陷特征图像进行特征增强处理,得到目标缺陷特征图像;
图像提取模块1204,被配置为基于目标缺陷特征图像进行图像提取,得到局部缺陷图像;
缺陷确定模块1205,被配置为对局部缺陷图像进行图像分析,确定缺陷区域。
在一种可能的实现方式中,图像优化模块1201,还被配置为:
基于预设滤波规则对初始缺陷图像进行滤波,得到滤波图像;
基于预设增强规则对滤波图像进行高频增强,得到第一增强图像;
确定缩小倍率,基于缩小倍率对第一增强图像进行图像缩放,得到目标缺陷图像。
在一种可能的实现方式中,特征提取模块1202,还被配置为:
基于目标缺陷图像进行高斯滤波得到均值图像;
确定边缘算子,基于边缘算子和目标缺陷图像确定横向边缘图像和纵向边缘图像;
基于均值图像、横向边缘图像、纵向边缘图像,得到初始缺陷特征图像。
在一种可能的实现方式中,特征提取模块1202,还被配置为:
基于均值图像和横向边缘图像确定第一中间图像;
基于均值图像和纵向边缘图像确定第二中间图像;
基于均值图像、横向边缘和纵向边缘确定第三中间图像;
基于第一中间图像、第二中间图像、第三中间图像以及设定参数,得到初始缺陷特征图像。
在一种可能的实现方式中,特征增强模块1203,还被配置为:
基于初始缺陷特征图像进行灰度开运算,得到第二增强图像;
对第二增强图像进行高频增强,得到目标缺陷特征图像。
在一种可能的实现方式中,图像提取模块1204,还被配置为:
确定目标缺陷特征图像的均值和方差;
基于均值和方差确定分割阈值,并基于分割阈值和目标缺陷特征图像确定二值图像;
基于二值图像确定局部缺陷图像。
在一种可能的实现方式中,缺陷确定模块1205,还被配置为:
对局部缺陷图像进行形态学处理,确定缺陷区域。
本说明书实施例提供缺陷检测方法、装置、设备及存储介质,其中缺陷检测装置包括:获取初始缺陷图像,对初始缺陷图像进行优化处理,得到目标缺陷图像;基于目标缺陷图像进行特征提取,得到初始缺陷特征图像;基于初始缺陷特征图像进行特征增强处理,得到目标缺陷特征图像;基于目标缺陷特征图像进行图像提取,得到局部缺陷图像;对局部缺陷图像进行图像分析,确定缺陷区域。通过对初始缺陷图像进行优化处理、基于初始缺陷特征图像进行特征增强处理以及基于目标缺陷特征图像进行图像提取,提高了检测精度,并且降低了检测时间,由此实现了更高的检测效率。
上述为本实施例的一种缺陷检测装置的示意性方案。需要说明的是,该缺陷检测装置的技术方案与上述的缺陷检测方法的技术方案属于同一构思,缺陷检测装置的技术方案未详细描述的细节内容,均可以参见上述缺陷检测方法的技术方案的描述。
图13示出了根据本说明书一个实施例提供的一种计算设备1300的结构框图。该计算设备1300的部件包括但不限于存储器1310和处理器1320。处理器1320与存储器1310通过总线1330相连接,数据库1350用于保存数据。
计算设备1300还包括接入设备1340,接入设备1340使得计算设备1300能够经由一个或多个网络1360通信。这些网络的示例包括公用交换电话网(PSTN,Public SwitchedTelephone Network)、局域网(LAN,Local Area Network)、广域网(WAN,Wide AreaNetwork)、个域网(PAN,Personal Area Network)或诸如因特网的通信网络的组合。接入设备1340可以包括有线或无线的任何类型的网络接口(例如,网络接口卡(NIC,networkinterface controller))中的一个或多个,诸如IEEE802.11无线局域网(WLAN,WirelessLocal Area Network)无线接口、全球微波互联接入(Wi-MAX,WorldwideInteroperability for Microwave Access)接口、以太网接口、通用串行总线(USB,Universal Serial Bus)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC,Near FieldCommunication)。
在本说明书的一个实施例中,计算设备1300的上述部件以及图13中未示出的其他部件也可以彼此相连接,例如通过总线。应当理解,图13所示的计算设备结构框图仅仅是出于示例的目的,而不是对本说明书范围的限制。本领域技术人员可以根据需要,增添或替换其他部件。
计算设备1300可以是任何类型的静止或移动计算设备,包括移动计算机或移动计算设备(例如,平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如,智能手机)、可佩戴的计算设备(例如,智能手表、智能眼镜等)或其他类型的移动设备,或者诸如台式计算机或个人计算机(PC,Personal Computer)的静止计算设备。计算设备1300还可以是移动式或静止式的服务器。
其中,处理器1320用于执行如下计算机可执行指令,该计算机可执行指令被处理器执行时实现上述缺陷检测方法的步骤。上述为本实施例的一种计算设备的示意性方案。需要说明的是,该计算设备的技术方案与上述的缺陷检测方法的技术方案属于同一构思,计算设备的技术方案未详细描述的细节内容,均可以参见上述缺陷检测方法的技术方案的描述。
本说明书一实施例还提供一种计算机可读存储介质,其存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现上述缺陷检测方法的步骤。
上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是,该存储介质的技术方案与上述的缺陷检测方法的技术方案属于同一构思,存储介质的技术方案未详细描述的细节内容,均可以参见上述缺陷检测方法的技术方案的描述。
本说明书一实施例还提供一种计算机程序,其中,当所述计算机程序在计算机中执行时,令计算机执行上述缺陷检测方法的步骤。
上述为本实施例的一种计算机程序的示意性方案。需要说明的是,该计算机程序的技术方案与上述的缺陷检测方法的技术方案属于同一构思,计算机程序的技术方案未详细描述的细节内容,均可以参见上述缺陷检测方法的技术方案的描述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,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。
所述计算机指令包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本说明书实施例并不受所描述的动作顺序的限制,因为依据本说明书实施例,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本说明书实施例所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上公开的本说明书优选实施例只是用于帮助阐述本说明书。可选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书实施例的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本说明书实施例的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。
Claims (8)
1.一种缺陷检测方法,其特征在于,包括:
获取初始缺陷图像,对所述初始缺陷图像进行优化处理,得到目标缺陷图像;
基于所述目标缺陷图像进行特征提取,得到初始缺陷特征图像;
基于所述初始缺陷特征图像进行特征增强处理,得到目标缺陷特征图像;
基于所述目标缺陷特征图像进行图像提取,得到局部缺陷图像;
对所述局部缺陷图像进行图像分析,确定缺陷区域;
所述基于所述目标缺陷图像进行特征提取,得到初始缺陷特征图像,包括:
基于所述目标缺陷图像进行高斯滤波得到均值图像;
确定边缘算子,基于所述边缘算子和所述目标缺陷图像确定横向边缘图像和纵向边缘图像;
基于所述均值图像、所述横向边缘图像、所述纵向边缘图像,得到初始缺陷特征图像;
所述基于所述均值图像、所述横向边缘图像、所述纵向边缘图像,得到初始缺陷特征图像,包括:
基于所述均值图像和所述横向边缘图像确定第一中间图像;
基于所述均值图像和所述纵向边缘图像确定第二中间图像;
基于所述均值图像、所述横向边缘图像和所述纵向边缘图像确定第三中间图像;
基于所述第一中间图像、所述第二中间图像、所述第三中间图像以及设定参数,得到初始缺陷特征图像;
所述特征提取的公式如下:
其中,所述是输入的原始图像,所述代表在用高斯滤波得到的均值图像,所述代表使用sobel计算横向x的边缘图像,所述代表使用sobel计算纵向y的边缘图像。
2.根据权利要求1所述的方法,其特征在于,所述对所述初始缺陷图像进行优化处理,得到目标缺陷图像,包括:
基于预设滤波规则对所述初始缺陷图像进行滤波,得到滤波图像;
基于预设增强规则对所述滤波图像进行高频增强,得到第一增强图像;
确定缩小倍率,基于所述缩小倍率对所述第一增强图像进行图像缩放,得到目标缺陷图像。
3.根据权利要求1所述的方法,其特征在于,所述基于所述初始缺陷特征图像进行特征增强处理,得到目标缺陷特征图像,包括:
基于所述初始缺陷特征图像进行灰度开运算,得到第二增强图像;
对所述第二增强图像进行高频增强,得到目标缺陷特征图像。
4.根据权利要求1所述的方法,其特征在于,所述基于所述目标缺陷特征图像进行图像提取,得到局部缺陷图像,包括:
确定所述目标缺陷特征图像的均值和方差;
基于所述均值和所述方差确定分割阈值,并基于所述分割阈值和所述目标缺陷特征图像确定二值图像;
基于所述二值图像确定局部缺陷图像。
5.根据权利要求1所述的方法,其特征在于,所述对所述局部缺陷图像进行图像分析,确定缺陷区域,包括:
对所述局部缺陷图像进行形态学处理,确定缺陷区域。
6.一种缺陷检测装置,其特征在于,包括:
图像优化模块,被配置为获取初始缺陷图像,对所述初始缺陷图像进行优化处理,得到目标缺陷图像;
特征提取模块,被配置为基于所述目标缺陷图像进行特征提取,得到初始缺陷特征图像;
特征增强模块,被配置为基于所述初始缺陷特征图像进行特征增强处理,得到目标缺陷特征图像;
图像提取模块,被配置为基于所述目标缺陷特征图像进行图像提取,得到局部缺陷图像;
缺陷确定模块,被配置为对所述局部缺陷图像进行图像分析,确定缺陷区域;
所述基于所述目标缺陷图像进行特征提取,得到初始缺陷特征图像,包括:
基于所述目标缺陷图像进行高斯滤波得到均值图像;
确定边缘算子,基于所述边缘算子和所述目标缺陷图像确定横向边缘图像和纵向边缘图像;
基于所述均值图像、所述横向边缘图像、所述纵向边缘图像,得到初始缺陷特征图像;
所述基于所述均值图像、所述横向边缘图像、所述纵向边缘图像,得到初始缺陷特征图像,包括:
基于所述均值图像和所述横向边缘图像确定第一中间图像;
基于所述均值图像和所述纵向边缘图像确定第二中间图像;
基于所述均值图像、所述横向边缘图像和所述纵向边缘图像确定第三中间图像;
基于所述第一中间图像、所述第二中间图像、所述第三中间图像以及设定参数,得到初始缺陷特征图像;
所述特征提取的公式如下:
其中,所述是输入的原始图像,所述代表在用高斯滤波得到的均值图像,所述代表使用sobel计算横向x的边缘图像,所述代表使用sobel计算纵向y的边缘图像。
7.一种计算设备,其特征在于,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令,该计算机可执行指令被处理器执行时实现权利要求1至5任意一项所述缺陷检测方法的步骤。
8.一种计算机可读存储介质,其存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现权利要求1至5任意一项所述缺陷检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311254013.7A CN117392066B (zh) | 2023-09-26 | 缺陷检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311254013.7A CN117392066B (zh) | 2023-09-26 | 缺陷检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117392066A CN117392066A (zh) | 2024-01-12 |
CN117392066B true CN117392066B (zh) | 2024-07-09 |
Family
ID=
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115049557A (zh) * | 2022-06-27 | 2022-09-13 | 中山大学 | 基于双一维滤波卷积核的图像锐化方法、系统及存储介质 |
CN116721058A (zh) * | 2023-05-06 | 2023-09-08 | 新化凯尔影印科技有限公司 | Opc鼓表面缺陷检测方法、系统、电子设备及存储介质 |
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115049557A (zh) * | 2022-06-27 | 2022-09-13 | 中山大学 | 基于双一维滤波卷积核的图像锐化方法、系统及存储介质 |
CN116721058A (zh) * | 2023-05-06 | 2023-09-08 | 新化凯尔影印科技有限公司 | Opc鼓表面缺陷检测方法、系统、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109934802B (zh) | 一种基于傅里叶变换和图像形态学的布匹疵点检测方法 | |
CN109242853B (zh) | 一种基于图像处理的pcb缺陷智能检测方法 | |
CN113963042B (zh) | 基于图像处理的金属零件缺陷程度评估方法 | |
CN115908269B (zh) | 视觉缺陷检测方法、装置、存储介质和计算机设备 | |
CN111161222B (zh) | 一种基于视觉显著性的印刷辊筒缺陷检测方法 | |
CN110288566B (zh) | 一种目标缺陷提取方法 | |
CN103175844A (zh) | 一种金属零部件表面划痕缺陷检测方法 | |
CN112862770B (zh) | 一种基于人工智能的缺陷分析诊断系统、方法、装置 | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN109975196B (zh) | 一种网织红细胞检测方法及其系统 | |
CN111598801B (zh) | 一种用于微弱Mura缺陷的识别方法 | |
CN112614062A (zh) | 菌落计数方法、装置及计算机存储介质 | |
WO2021118463A1 (en) | Defect detection in image space | |
CN116777907A (zh) | 一种钣金件质量检测方法 | |
CN113221881B (zh) | 一种多层级的智能手机屏幕缺陷检测方法 | |
CN108830851B (zh) | 一种lcd粗糙斑缺陷检测方法 | |
CN111681213A (zh) | 一种基于深度学习的导光板线划伤缺陷检测方法 | |
CN113256624A (zh) | 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质 | |
CN115587966A (zh) | 一种在光照不均匀条件下零件有无缺漏的检测方法及系统 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN113129265B (zh) | 瓷砖表面缺陷检测方法、装置及存储介质 | |
CN114155226A (zh) | 一种微小缺陷边缘计算方法 | |
CN117392066B (zh) | 缺陷检测方法、装置、设备及存储介质 | |
CN115496984A (zh) | 瓷砖成品缺陷自动识别方法、装置、智能终端及存储介质 | |
CN116433978A (zh) | 一种高质量瑕疵图像自动生成与自动标注方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |