CN117437223A - 一种高速板对板连接器缺陷智能检测方法 - Google Patents
一种高速板对板连接器缺陷智能检测方法 Download PDFInfo
- Publication number
- CN117437223A CN117437223A CN202311753220.7A CN202311753220A CN117437223A CN 117437223 A CN117437223 A CN 117437223A CN 202311753220 A CN202311753220 A CN 202311753220A CN 117437223 A CN117437223 A CN 117437223A
- Authority
- CN
- China
- Prior art keywords
- suspected
- column
- hole area
- hole
- board
- 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 230000005856 abnormality Effects 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims description 60
- 238000003708 edge detection Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种高速板对板连接器缺陷智能检测方法,包括:获取待检测的高速板对板连接器的灰度图像和正常的高速板对板连接器的边缘模板图像;将待检测的高速板对板连接器的灰度图像划分为若干个图像块,根据每个图像块中每列的每个疑似孔洞区域的异常程度,获取每个图像块中每个像素点的异常程度;根据每个图像块每个像素点的灰度值真实权重系数,获取每个图像块的真实三阶矩值;根据待检测的高速板对板连接器的灰度图像的每个图像块的真实三阶矩值,对高速板对板连接器进行缺陷检测。本发明使高速板对板连接器的缺陷检测结果更准确。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种高速板对板连接器缺陷智能检测方法。
背景技术
高速板对板连接器在提高数据传输速率、实现高速数据传输等方面发挥了重要作用;然而,连接器在使用过程中可能会出现各种缺陷,如接触不良、松动、断裂等,这些缺陷会对通信性能产生严重影响,甚至导致通信系统故障;因此,在高速板对板连接器生产过程中,检测高速板对板连接器的缺陷至关重要;然而,由于高速板对板连接器的制造工艺复杂,且连接器本身的微小尺寸使得其缺陷难以被肉眼观察到,因此对其进行有效的缺陷检测显得尤为重要。其中,高速板对板连接器表面通常有很多孔洞,这些孔洞是为了后续和其它连接器进行连接的,如果孔洞大小尺寸不合适会导致连接出现松动以及出现接触不良的现象,因此需要对高速板对板的孔洞缺陷进行检测。
灰度矩边缘检测算法是一种常用的边缘检测算法;它是一种利用前三阶灰度矩来对边缘进行亚像素定位的算法;其是通过N个像素序列构成待检测区域作为输入;其在前三阶灰度矩求解过程中是对待检测区域内每个像素点的灰度值进行加权平均求和来进行计算;其在计算每个像素点的灰度值权重时通过像素点灰度值在待检测区域内出现的次数来确定的。
由于高速板对板连接器图像中通常存在一些噪点,且噪点像素点的灰度值和高速板对板连接器图像中的孔洞区域像素点灰度值比较接近,因此无法直接通过灰度值区分出高速板对板连接器图像中噪声像素点和孔洞区域像素点,若直接通过像素点灰度值去获得待检测区域内孔洞区域像素点出现的次数时,会导致噪点像素点所占的权重比例过大,从而导致获得高速板对板连接器图像的真实三阶矩值出现偏差,使得对高速板对板的孔洞缺陷的检测结果不准确。
发明内容
为了解决上述问题,本发明提供一种高速板对板连接器缺陷智能检测方法,所述方法包括:
获取待检测的高速板对板连接器的灰度图像和正常的高速板对板连接器的边缘模板图像;
将待灰度图像划分为若干个图像块;根据每个图像块中每一列上像素点之间的灰度值差异,获取每个图像块中每一列的所有疑似孔洞区域;根据每个图像块中每一列的相邻疑似孔洞区域之间的像素点数量的差异,获取每个图像块中每一列的每个疑似孔洞区域的异常程度;根据每个图像块中每一列的每个疑似孔洞区域的异常程度,获取每个图像块中每个像素点的异常程度;
根据每个图像块中像素点之间的异常程度的差异,获取每个图像块中每个像素点的灰度值真实权重系数;根据每个图像块中每个像素点的灰度值真实权重系数以及灰度值,获取每个图像块的真实三阶矩值;
根据所有图像块的真实三阶矩值,通过灰度矩边缘检测算法获取待检测的高速板对板连接器的边缘图像;通过边缘图像与边缘模板图像的匹配结果,对待检测的高速板对板连接器进行缺陷检测。
优选的,所述根据每个图像块中每一列上像素点之间的灰度值差异,获取每个图像块中每一列的所有疑似孔洞区域,包括的具体方法为:
预设参数,获取第/>个图像块中第/>列的灰度曲线;获取第/>列的灰度曲线的所有曲线段的斜率差异值;利用均值聚类算法对第/>列的灰度曲线的所有曲线段的斜率差异值进行聚类,获得/>个聚类簇,对于任意一个聚类簇,若所述聚类簇的所有曲线段的斜率差异值的均值最大,则将所述聚类簇记为第/>列的灰度曲线的目标聚类簇;对于目标聚类簇中第个曲线段,将第/>个曲线段中灰度值最大的像素点作为疑似孔洞区域的起点,将第/>个曲线段中灰度值最大的像素点作为疑似孔洞区域的终点,将疑似孔洞区域的起点对应在第个图像块中第/>列的像素点与疑似孔洞区域的终点对应在第/>个图像块中第/>列的像素点之间的所有像素点组成的区域,作为第/>个图像块中第/>列的一个疑似孔洞区域,进而获取第/>个图像块中第/>列的所有疑似孔洞区域。
优选的,所述获取第个图像块中第/>列的灰度曲线的具体方法为:
以第个图像块中第/>列的每个像素点从上到下的排列序号为横纵,以像素点的灰度值为纵轴;将第/>个图像块中第/>列的所有像素点输入二维坐标系中,获取若干数据点,根据所有数据点构建一条贝塞尔曲线,并记为第/>列的灰度曲线。
优选的,所述获取第列的灰度曲线的所有曲线段的斜率差异值的具体方法为:
对第列的灰度曲线进行牛顿法,获得第/>列的灰度曲线的所有极值点;将第/>列的灰度曲线中所有两两相邻的极值点进行连接,获得第/>列的灰度曲线的所有曲线段;将第/>个曲线段的斜率与第/>个曲线段的斜率的差值绝对值,作为第/>个曲线段的斜率差异值,进而获得第/>列的灰度曲线的所有曲线段的斜率差异值。
优选的,所述根据每个图像块中每一列的相邻疑似孔洞区域之间的像素点数量的差异,获取每个图像块中每一列的每个疑似孔洞区域的异常程度,包括的具体方法为:
对于第列的第/>个疑似孔洞区域,获取第/>个疑似孔洞区域的目标孔洞区域以及第/>列的疑似孔洞区域的像素点个数特征值;则第/>个图像块中第/>列的第/>个疑似孔洞区域的异常程度的计算方法为:
式中,表示第/>个图像块中第/>列的第/>个疑似孔洞区域的异常程度;/>表示第/>个图像块中第/>列的第/>个疑似孔洞区域内所有像素点的总数量;/>表示第/>个图像块中第/>列的第/>个疑似孔洞区域的目标孔洞区域内所有像素点的总数量;/>表示第/>个图像块中第/>列的疑似孔洞区域的像素点个数特征值;/>表示取绝对值。
优选的,所述获取第个疑似孔洞区域的目标孔洞区域以及第/>列的疑似孔洞区域的像素点个数特征值的具体方法为:
获取第列的疑似孔洞区域曲线以及第/>列的疑似孔洞区域曲线的所有极值点,将第/>列的疑似孔洞区域曲线的所有极值点对应的疑似孔洞区域记为第/>列的目标疑似孔洞区域,将第/>列的每个目标疑似孔洞区域的所有像素点数量,记为第/>列的第一像素点数量,将第/>列的所有第一像素点数量之和,记为第/>列的第一和值,将第/>列的第一和值与第/>列的所有疑似孔洞区域的总数量的比值,作为第/>列的疑似孔洞区域的像素点个数特征值;
获取第列的疑似孔洞区域的距离特征值;将第/>个疑似孔洞区域与第/>个疑似孔洞区域之间的欧式距离,记为第一特征距离,将第/>个疑似孔洞区域与第/>个疑似孔洞区域之间的欧式距离,记为第二特征距离,若第一特征距离与第/>列的疑似孔洞区域的距离特征值的差值绝对值小于或等于第二特征距离与第/>列的疑似孔洞区域的距离特征值的差值绝对值,则将第/>个疑似孔洞区域作为第/>个疑似孔洞区域的目标孔洞区域,反之,则将第/>个疑似孔洞区域作为第/>个疑似孔洞区域的目标孔洞区域。
优选的,所述获取第列的疑似孔洞区域曲线以及第/>列的疑似孔洞区域曲线的所有极值点的具体方法为:
以第个图像块中第/>列的每个疑似孔洞区域为横纵,以每个疑似孔洞区域的所有像素点的数量为纵轴;将第/>个图像块中第/>列的所有疑似孔洞区域输入二维坐标系中,获取若干数据点,根据所有数据点构建一条贝塞尔曲线,并记为第/>列的疑似孔洞区域曲线;对第/>列的疑似孔洞区域曲线进行牛顿法,获得第/>列的疑似孔洞区域曲线的所有极值点。
优选的,所述获取第列的疑似孔洞区域的距离特征值的具体方法为:
在第列的疑似孔洞区域曲线上,获取所有两两相邻极值点之间的欧式距离,并记为第/>列的第一距离,将第/>列的所有第一距离之和,记为第/>列的第二和值,将第/>列的疑似孔洞区域曲线的所有极值点的总数量与1的差值记为第/>列的第一差值,将第/>列的第二和值与第/>列的第一差值的比值,作为第/>列的疑似孔洞区域的距离特征值。
优选的,所述根据每个图像块中像素点之间的异常程度的差异,获取每个图像块中每个像素点的灰度值真实权重系数的具体公式为:
式中,表示第/>个图像块中第/>个像素点的灰度值真实权重系数;/>表示第/>个图像块中第/>个像素点的异常程度;/>表示第/>个图像块中所有像素点总数量;/>表示第/>个图像块中第/>个像素点的异常程度;/>表示取绝对值;/>表示线性归一化函数。
优选的,所述根据每个图像块中每个像素点的灰度值真实权重系数以及灰度值,获取每个图像块的真实三阶矩值的具体公式为:
式中,表示待检测的高速板对板连接器的灰度图像的第/>个图像块的真实三阶矩值;/>表示第/>个图像块中所有像素点总数量;/>表示第/>个图像块中第/>个像素点的灰度值;/>表示第/>个图像块中第/>个像素点的灰度值真实权重系数。
本发明的技术方案的有益效果是:本发明根据每个图像块中每一列的相邻疑似孔洞区域之间的像素点数量的差异,获取每个图像块中每一列的每个疑似孔洞区域的异常程度;根据每个图像块中每一列的每个疑似孔洞区域的异常程度,获取每个图像块中每个像素点的异常程度,实现对高速板对板连接器图像中噪声像素点和孔洞区域像素点进行区分;根据每个图像块中像素点之间的异常程度的差异,获取每个图像块中每个像素点的灰度值真实权重系数,避免高速板对板连接器图像中噪点像素点所占的权重比例过大的问题;根据每个图像块中每个像素点的灰度值真实权重系数以及灰度值,获取每个图像块的真实三阶矩值,获得高速板对板连接器图像的准确真实三阶矩值,使得高速板对板连接器的缺陷检测结果更准确。
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为本发明一种高速板对板连接器缺陷智能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一种高速板对板连接器缺陷智能检测方法,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高速板对板连接器缺陷智能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高速板对板连接器缺陷智能检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取待检测的高速板对板连接器的灰度图像和正常的高速板对板连接器的边缘模板图像。
需要说明的是,在高速板对板连接器的缺陷检测过程中,连接器表面的孔洞尺寸不合适、尺寸缺失等会导致后续连接器出现接触不良,因此需要对高速板对板连接器的孔洞缺陷进行检测;通过工业相机获取图像是彩色图像且信息量较大,会影响图像的后续处理效果,因此需要将图像进行灰度化。
具体的,为了实现本实施例提出的一种高速板对板连接器缺陷智能检测方法,首先需要采集待检测的高速板对板连接器的灰度图像和正常的高速板对板连接器的边缘模板图像,具体过程为:
使用工业相机拍摄高速板对板连接器图像,获得高速板对板连接器图像,对高速板对板连接器图像进行中值滤波去噪和灰度化操作得到待检测的高速板对板连接器的灰度图像。
其中,中值滤波和灰度化操作为现有技术,本实施例此处不做过多赘述;本实施例以获取的待检测的高速板对板连接器的灰度图像大小为800×800,正常的高速板对板连接器边缘模板中存在10个孔洞进行叙述。
使用工业相机拍摄正常的高速板对板连接器的边缘模板,获得正常的高速板对板连接器的边缘模板图像。
至此,通过上述方法得到待检测的高速板对板连接器的灰度图像和正常的高速板对板连接器的边缘模板图像。
步骤S002:将待检测的高速板对板连接器的灰度图像划分为若干个图像块,根据每个图像块中每列的每个疑似孔洞区域的异常程度,获取每个图像块中每个像素点的异常程度。
需要说明的是,灰度矩边缘检测算法是通过N个像素序列构成待检测区域作为输入,因此需要将待检测的高速板对板连接器的灰度图像划分为若干个图像块作为待检测区域,将其输入至灰度矩边缘检测算法之中。
预设两个参数,其中本实施例以/>为例进行叙述,本实施例不进行具体限定,其中/>根据具体实施情况而定。
具体的,使用预设大小的滑窗在待增强灰度图像上进行步长为/>的滑窗操作,得到若干个窗口,将每个窗口作为一个图像块,进而得到待检测的高速板对板连接器的灰度图像的若干个图像块。
需要说明的是,由于高亮噪点像素点和孔洞像素点都会存在于每个图像块中,因此需要分析每个像素点在图像块内的分布以及和其它像素点的差异来计算每个像素点灰度值的异常程度。
具体的,对于待检测的高速板对板连接器的灰度图像的第个图像块,以第/>个图像块中第/>列的每个像素点从上到下的排列序号为横纵,以像素点的灰度值为纵轴;将第/>个图像块中第/>列的所有像素点输入二维坐标系中,获取若干数据点,根据所有数据点构建一条贝塞尔曲线,并记为第/>列的灰度曲线,进而获取第/>个图像块中所有列的灰度曲线。
对第列的灰度曲线进行牛顿法,获得第/>列的灰度曲线的所有极值点;将第/>列的灰度曲线中所有两两相邻的极值点进行连接,获得第/>列的灰度曲线的所有曲线段;将第/>个曲线段的斜率与第/>个曲线段的斜率的差值绝对值,作为第/>个曲线段的斜率差异值,进而获得第/>列的灰度曲线的所有曲线段的斜率差异值。
需要说明的是,通过分析待检测的高速板对板连接器的灰度图像可知,孔洞内部的像素点灰度值之间的差异非常小;由于不同孔洞之间的距离通常是相同的且孔洞内部的像素点灰度值之间的差异非常小,因此通过分析相邻曲线段的斜率差异值之间的差异可以找出疑似孔洞区域的像素点。
具体的,利用均值聚类算法对第列的灰度曲线的所有曲线段的斜率差异值进行聚类,获得/>个聚类簇,对于任意一个聚类簇,若所述聚类簇的所有曲线段的斜率差异值的均值最大,则将所述聚类簇记为第/>列的灰度曲线的目标聚类簇;对于目标聚类簇中第/>个曲线段,将第/>个曲线段中灰度值最大的像素点作为疑似孔洞区域的起点,将第/>个曲线段中灰度值最大的像素点作为疑似孔洞区域的终点,将疑似孔洞区域的起点对应在第/>个图像块中第/>列的像素点与疑似孔洞区域的终点对应在第/>个图像块中第/>列的像素点之间的所有像素点组成的区域,作为第/>个图像块中第/>列的一个疑似孔洞区域,进而获取第/>个图像块中第/>列的所有疑似孔洞区域。
其中,均值聚类算法中的为/>。
以第个图像块中第/>列的每个疑似孔洞区域为横纵,以每个疑似孔洞区域的所有像素点的数量为纵轴;将第/>个图像块中第/>列的所有疑似孔洞区域输入二维坐标系中,获取若干数据点,根据所有数据点构建一条贝塞尔曲线,并记为第/>列的疑似孔洞区域曲线;对第/>列的疑似孔洞区域曲线进行牛顿法,获得第/>列的疑似孔洞区域曲线的所有极值点。
其中,构建贝塞尔曲线、牛顿法和均值聚类算法为现有技术,本实施例此处不作过多赘述。
将第列的疑似孔洞区域曲线的所有极值点对应的疑似孔洞区域记为第/>列的目标疑似孔洞区域,将第/>列的每个目标疑似孔洞区域的所有像素点数量,记为第/>列的第一像素点数量,将第/>列的所有第一像素点数量之和,记为第/>列的第一和值,将第/>列的第一和值与第/>列的所有疑似孔洞区域的总数量的比值,作为第/>列的疑似孔洞区域的像素点个数特征值;在第/>列的疑似孔洞区域曲线上,获取所有两两相邻极值点之间的欧式距离,并记为第/>列的第一距离,将第/>列的所有第一距离之和,记为第/>列的第二和值,将第/>列的疑似孔洞区域曲线的所有极值点的总数量与1的差值记为第/>列的第一差值,将第/>列的第二和值与第/>列的第一差值的比值,作为第/>列的疑似孔洞区域的距离特征值。
对于第列的第/>个疑似孔洞区域,将第/>个疑似孔洞区域与第/>个疑似孔洞区域之间的欧式距离,记为第一特征距离,将第/>个疑似孔洞区域与第/>个疑似孔洞区域之间的欧式距离,记为第二特征距离,若第一特征距离与第/>列的疑似孔洞区域的距离特征值的差值绝对值小于或等于第二特征距离与第/>列的疑似孔洞区域的距离特征值的差值绝对值,则将第/>个疑似孔洞区域作为第/>个疑似孔洞区域的目标孔洞区域,反之,则将第/>个疑似孔洞区域作为第/>个疑似孔洞区域的目标孔洞区域;则第/>个图像块中第列的第/>个疑似孔洞区域的异常程度的计算方法为:
式中,表示第/>个图像块中第/>列的第/>个疑似孔洞区域的异常程度;/>表示第/>个图像块中第/>列的第/>个疑似孔洞区域内所有像素点的总数量;/>表示第/>个图像块中第/>列的第/>个疑似孔洞区域的目标孔洞区域内所有像素点的总数量;/>表示第/>个图像块中第/>列的疑似孔洞区域的像素点个数特征值;/>表示取绝对值。
将第列的第/>个疑似孔洞区域的异常程度作为第/>个疑似孔洞区域内每个像素点的异常程度,将第/>列中不属于疑似孔洞区域的像素点的异常程度记为0,进而获取第/>列中每个像素点的异常程度。
至此,通过上述方法得到每个图像块中每个像素点的异常程度。
步骤S003:根据每个图像块每个像素点的灰度值真实权重系数,获取每个图像块的真实三阶矩值。
1.获取每个图像块每个像素点的灰度值真实权重系数。
需要说明的是,由于灰度矩边缘检测模型中的四个参数值是通过前三阶灰度矩的值来求取的。如果前三阶矩的值求取不准确,会导致灰度矩边缘检测模型的参数值计算准确,从而导致后续的边缘检测结果不准确。其中前三阶灰度矩的求取是通过图像块内所有像素点的加权平均和来确定的。因此根据上述步骤获取的每个像素点的异常程度来对灰度值的真实权重系数进行修正。对于图像块内异常程度小的像素点,对应的像素点的真实权重系数就越大,对于图像块内异常程度小的像素点,对应的像素点的真实权重系数就越小。
具体的,第个图像块中第/>个像素点的灰度值真实权重系数的计算方法为:
式中,表示第/>个图像块中第/>个像素点的灰度值真实权重系数;/>表示第/>个图像块中第/>个像素点的异常程度;/>表示第/>个图像块中所有像素点总数量;/>表示第/>个图像块中第/>个像素点的异常程度;/>表示取绝对值;/>表示线性归一化函数。
至此,获得每个图像块每个像素点的灰度值真实权重系数。
2.获取待检测的高速板对板连接器的灰度图像的每个图像块的真实三阶矩值。
具体的,待检测的高速板对板连接器的灰度图像的第个图像块的真实三阶矩值的计算方法为:
式中,表示待检测的高速板对板连接器的灰度图像的第/>个图像块的真实三阶矩值;/>表示第/>个图像块中所有像素点总数量;/>表示第/>个图像块中第/>个像素点的灰度值;/>表示第/>个图像块中第/>个像素点的灰度值真实权重系数。
至此,通过上述方法得到待检测的高速板对板连接器的灰度图像的每个图像块的真实三阶矩值。
步骤S004:根据待检测的高速板对板连接器的灰度图像的每个图像块的真实三阶矩值,对高速板对板连接器进行缺陷检测。
预设一个参数,其中本实施例以/>为例进行叙述,本实施例不进行具体限定,其中/>根据具体实施情况而定。
具体的,将每个图像块的真实三阶矩值输入灰度矩边缘检测算法,获得灰度矩模型中边缘位置、边缘方向、边缘两侧的灰度值四个参数,根据灰度矩模型中边缘位置、边缘方向、边缘两侧的灰度值四个参数获得每个图像块内的边缘像素点坐标,进而获取待检测的高速板对板连接器的灰度图像的边缘像素坐标;根据待检测的高速板对板连接器的灰度图像的边缘像素坐标,获得高速板对板连接器边缘图像;通过模板匹配法对高速板对板连接器边缘图像和正常的高速板对板连接器的边缘模板图像进行匹配,获得匹配结果图,若匹配结果图中匹配点不等于,则高速板对板连接器存在缺陷,反之,高速板对板连接器为正常。
其中,模板匹配法为现有技术,本实施例此处不作过多赘述。
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 (9)
1.一种高速板对板连接器缺陷智能检测方法,其特征在于,该方法包括以下步骤:
获取待检测的高速板对板连接器的灰度图像和正常的高速板对板连接器的边缘模板图像;
将待灰度图像划分为若干个图像块;根据每个图像块中每一列上像素点之间的灰度值差异,获取每个图像块中每一列的所有疑似孔洞区域;根据每个图像块中每一列的相邻疑似孔洞区域之间的像素点数量的差异,获取每个图像块中每一列的每个疑似孔洞区域的异常程度;根据每个图像块中每一列的每个疑似孔洞区域的异常程度,获取每个图像块中每个像素点的异常程度;
根据每个图像块中像素点之间的异常程度的差异,获取每个图像块中每个像素点的灰度值真实权重系数;根据每个图像块中每个像素点的灰度值真实权重系数以及灰度值,获取每个图像块的真实三阶矩值;
根据所有图像块的真实三阶矩值,通过灰度矩边缘检测算法获取待检测的高速板对板连接器的边缘图像;通过边缘图像与边缘模板图像的匹配结果,对待检测的高速板对板连接器进行缺陷检测;
所述根据每个图像块中每一列上像素点之间的灰度值差异,获取每个图像块中每一列的所有疑似孔洞区域,包括的具体方法为:
预设参数,获取第/>个图像块中第/>列的灰度曲线;获取第/>列的灰度曲线的所有曲线段的斜率差异值;利用均值聚类算法对第/>列的灰度曲线的所有曲线段的斜率差异值进行聚类,获得/>个聚类簇,对于任意一个聚类簇,若所述聚类簇的所有曲线段的斜率差异值的均值最大,则将所述聚类簇记为第/>列的灰度曲线的目标聚类簇;对于目标聚类簇中第/>个曲线段,将第/>个曲线段中灰度值最大的像素点作为疑似孔洞区域的起点,将第/>个曲线段中灰度值最大的像素点作为疑似孔洞区域的终点,将疑似孔洞区域的起点对应在第/>个图像块中第/>列的像素点与疑似孔洞区域的终点对应在第/>个图像块中第/>列的像素点之间的所有像素点组成的区域,作为第/>个图像块中第/>列的一个疑似孔洞区域,进而获取第/>个图像块中第/>列的所有疑似孔洞区域。
2.根据权利要求1所述一种高速板对板连接器缺陷智能检测方法,其特征在于,所述获取第个图像块中第/>列的灰度曲线的具体方法为:
以第个图像块中第/>列的每个像素点从上到下的排列序号为横纵,以像素点的灰度值为纵轴;将第/>个图像块中第/>列的所有像素点输入二维坐标系中,获取若干数据点,根据所有数据点构建一条贝塞尔曲线,并记为第/>列的灰度曲线。
3.根据权利要求1所述一种高速板对板连接器缺陷智能检测方法,其特征在于,所述获取第列的灰度曲线的所有曲线段的斜率差异值的具体方法为:
对第列的灰度曲线进行牛顿法,获得第/>列的灰度曲线的所有极值点;将第/>列的灰度曲线中所有两两相邻的极值点进行连接,获得第/>列的灰度曲线的所有曲线段;将第/>个曲线段的斜率与第/>个曲线段的斜率的差值绝对值,作为第/>个曲线段的斜率差异值,进而获得第/>列的灰度曲线的所有曲线段的斜率差异值。
4.根据权利要求1所述一种高速板对板连接器缺陷智能检测方法,其特征在于,所述根据每个图像块中每一列的相邻疑似孔洞区域之间的像素点数量的差异,获取每个图像块中每一列的每个疑似孔洞区域的异常程度,包括的具体方法为:
对于第列的第/>个疑似孔洞区域,获取第/>个疑似孔洞区域的目标孔洞区域以及第/>列的疑似孔洞区域的像素点个数特征值;则第/>个图像块中第/>列的第/>个疑似孔洞区域的异常程度的计算方法为:
式中,表示第/>个图像块中第/>列的第/>个疑似孔洞区域的异常程度;/>表示第/>个图像块中第/>列的第/>个疑似孔洞区域内所有像素点的总数量;/>表示第/>个图像块中第/>列的第/>个疑似孔洞区域的目标孔洞区域内所有像素点的总数量;/>表示第/>个图像块中第/>列的疑似孔洞区域的像素点个数特征值;/>表示取绝对值。
5.根据权利要求4所述一种高速板对板连接器缺陷智能检测方法,其特征在于,所述获取第个疑似孔洞区域的目标孔洞区域以及第/>列的疑似孔洞区域的像素点个数特征值的具体方法为:
获取第列的疑似孔洞区域曲线以及第/>列的疑似孔洞区域曲线的所有极值点,将第/>列的疑似孔洞区域曲线的所有极值点对应的疑似孔洞区域记为第/>列的目标疑似孔洞区域,将第/>列的每个目标疑似孔洞区域的所有像素点数量,记为第/>列的第一像素点数量,将第/>列的所有第一像素点数量之和,记为第/>列的第一和值,将第/>列的第一和值与第/>列的所有疑似孔洞区域的总数量的比值,作为第/>列的疑似孔洞区域的像素点个数特征值;
获取第列的疑似孔洞区域的距离特征值;将第/>个疑似孔洞区域与第/>个疑似孔洞区域之间的欧式距离,记为第一特征距离,将第/>个疑似孔洞区域与第/>个疑似孔洞区域之间的欧式距离,记为第二特征距离,若第一特征距离与第/>列的疑似孔洞区域的距离特征值的差值绝对值小于或等于第二特征距离与第/>列的疑似孔洞区域的距离特征值的差值绝对值,则将第/>个疑似孔洞区域作为第/>个疑似孔洞区域的目标孔洞区域,反之,则将第/>个疑似孔洞区域作为第/>个疑似孔洞区域的目标孔洞区域。
6.根据权利要求5所述一种高速板对板连接器缺陷智能检测方法,其特征在于,所述获取第列的疑似孔洞区域曲线以及第/>列的疑似孔洞区域曲线的所有极值点的具体方法为:
以第个图像块中第/>列的每个疑似孔洞区域为横纵,以每个疑似孔洞区域的所有像素点的数量为纵轴;将第/>个图像块中第/>列的所有疑似孔洞区域输入二维坐标系中,获取若干数据点,根据所有数据点构建一条贝塞尔曲线,并记为第/>列的疑似孔洞区域曲线;对第/>列的疑似孔洞区域曲线进行牛顿法,获得第/>列的疑似孔洞区域曲线的所有极值点。
7.根据权利要求5所述一种高速板对板连接器缺陷智能检测方法,其特征在于,所述获取第列的疑似孔洞区域的距离特征值的具体方法为:
在第列的疑似孔洞区域曲线上,获取所有两两相邻极值点之间的欧式距离,并记为第/>列的第一距离,将第/>列的所有第一距离之和,记为第/>列的第二和值,将第/>列的疑似孔洞区域曲线的所有极值点的总数量与1的差值记为第/>列的第一差值,将第/>列的第二和值与第/>列的第一差值的比值,作为第/>列的疑似孔洞区域的距离特征值。
8.根据权利要求1所述一种高速板对板连接器缺陷智能检测方法,其特征在于,所述根据每个图像块中像素点之间的异常程度的差异,获取每个图像块中每个像素点的灰度值真实权重系数的具体公式为:
式中,表示第/>个图像块中第/>个像素点的灰度值真实权重系数;/>表示第/>个图像块中第/>个像素点的异常程度;/>表示第/>个图像块中所有像素点总数量;/>表示第/>个图像块中第/>个像素点的异常程度;/>表示取绝对值;/>表示线性归一化函数。
9.根据权利要求1所述一种高速板对板连接器缺陷智能检测方法,其特征在于,所述根据每个图像块中每个像素点的灰度值真实权重系数以及灰度值,获取每个图像块的真实三阶矩值的具体公式为:
式中,表示待检测的高速板对板连接器的灰度图像的第/>个图像块的真实三阶矩值;表示第/>个图像块中所有像素点总数量;/>表示第/>个图像块中第/>个像素点的灰度值;表示第/>个图像块中第/>个像素点的灰度值真实权重系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311753220.7A CN117437223B (zh) | 2023-12-20 | 2023-12-20 | 一种高速板对板连接器缺陷智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311753220.7A CN117437223B (zh) | 2023-12-20 | 2023-12-20 | 一种高速板对板连接器缺陷智能检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117437223A true CN117437223A (zh) | 2024-01-23 |
CN117437223B CN117437223B (zh) | 2024-02-23 |
Family
ID=89553786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311753220.7A Active CN117437223B (zh) | 2023-12-20 | 2023-12-20 | 一种高速板对板连接器缺陷智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117437223B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117893534A (zh) * | 2024-03-14 | 2024-04-16 | 张家港乐达汽车电器有限公司 | 基于图像特征分析的公交车多媒体智能显示屏检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082482A (zh) * | 2022-08-23 | 2022-09-20 | 山东优奭趸泵业科技有限公司 | 一种金属表面缺陷检测方法 |
CN115239735A (zh) * | 2022-09-23 | 2022-10-25 | 探长信息技术(苏州)有限公司 | 基于计算机视觉的通信柜表面缺陷检测方法 |
CN115272346A (zh) * | 2022-09-30 | 2022-11-01 | 江苏炜盛光电科技有限公司 | 一种基于边缘检测的pcb板生产过程在线检测方法 |
CN115457035A (zh) * | 2022-11-10 | 2022-12-09 | 山东鲁旺机械设备有限公司 | 基于机器视觉的建筑吊篮焊接质量检测方法 |
CN116030061A (zh) * | 2023-03-29 | 2023-04-28 | 深圳市捷超行模具有限公司 | 一种基于视觉的硅胶成型效果检测方法 |
-
2023
- 2023-12-20 CN CN202311753220.7A patent/CN117437223B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082482A (zh) * | 2022-08-23 | 2022-09-20 | 山东优奭趸泵业科技有限公司 | 一种金属表面缺陷检测方法 |
CN115239735A (zh) * | 2022-09-23 | 2022-10-25 | 探长信息技术(苏州)有限公司 | 基于计算机视觉的通信柜表面缺陷检测方法 |
CN115272346A (zh) * | 2022-09-30 | 2022-11-01 | 江苏炜盛光电科技有限公司 | 一种基于边缘检测的pcb板生产过程在线检测方法 |
CN115457035A (zh) * | 2022-11-10 | 2022-12-09 | 山东鲁旺机械设备有限公司 | 基于机器视觉的建筑吊篮焊接质量检测方法 |
CN116030061A (zh) * | 2023-03-29 | 2023-04-28 | 深圳市捷超行模具有限公司 | 一种基于视觉的硅胶成型效果检测方法 |
Non-Patent Citations (1)
Title |
---|
董家顺;王兴东;李殿杰;汤勃;李震;: "基于改进K-means算法的钢管表面缺陷视觉检测方法", 武汉科技大学学报, no. 06, 29 October 2020 (2020-10-29), pages 42 - 49 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117893534A (zh) * | 2024-03-14 | 2024-04-16 | 张家港乐达汽车电器有限公司 | 基于图像特征分析的公交车多媒体智能显示屏检测方法 |
CN117893534B (zh) * | 2024-03-14 | 2024-05-24 | 张家港乐达汽车电器有限公司 | 基于图像特征分析的公交车多媒体智能显示屏检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117437223B (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117437223B (zh) | 一种高速板对板连接器缺陷智能检测方法 | |
CN112818988B (zh) | 一种指针式仪表自动识别读数方法及系统 | |
CN116645367B (zh) | 一种高端制造用的钢板切割质量检测方法 | |
CN113724193B (zh) | Pcba零部件尺寸及间隙高精度视觉测量方法 | |
CN112651968A (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN109631766B (zh) | 一种基于图像的木材板尺寸测量方法 | |
CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN109540917B (zh) | 一种多角度模式下纱线外观特征参数提取与分析方法 | |
CN116721107B (zh) | 一种电缆生产质量智能监控系统 | |
CN112991287B (zh) | 一种基于全卷积神经网络的自动压痕测量方法 | |
CN115797473B (zh) | 一种土建工程用混凝土成型评估方法 | |
CN109359604B (zh) | 面向巡检机器人的阴影干扰下仪表识别方法 | |
CN114881960A (zh) | 基于特征增强的布匹直线型缺陷检测方法和系统 | |
CN115049671A (zh) | 基于计算机视觉的布匹表面缺陷检测方法及系统 | |
CN116168037A (zh) | 一种基于图像处理的导线压接弯曲度计算方法及系统 | |
CN117173160B (zh) | 基于图像处理的房车部件质量检测方法 | |
CN117058137B (zh) | 一种夹胶玻璃生产质量视觉检测方法 | |
CN116993718B (zh) | 基于机器视觉的tft阵列基板缺陷检测方法 | |
CN116168024B (zh) | 基于计算机视觉的瓦楞纸生产质量实时检测方法 | |
CN115880683B (zh) | 一种基于深度学习的城市内涝积水智能水位检测方法 | |
CN111161264B (zh) | 一种对含有缺陷的tft电路图像的分割方法 | |
CN115239723A (zh) | 基于图形识别的卷板机零件检测方法 | |
CN112819823B (zh) | 一种面向家具板材的圆孔检测方法、系统及装置 | |
CN104794716B (zh) | 基于图像分形特征的图像质量客观评价方法 | |
CN114677428A (zh) | 基于无人机图像处理的输电线覆冰厚度检测方法 |
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 |