CN117576100B - 一种fpc连接器表面缺陷分级检测评价方法 - Google Patents
一种fpc连接器表面缺陷分级检测评价方法 Download PDFInfo
- Publication number
- CN117576100B CN117576100B CN202410061012.9A CN202410061012A CN117576100B CN 117576100 B CN117576100 B CN 117576100B CN 202410061012 A CN202410061012 A CN 202410061012A CN 117576100 B CN117576100 B CN 117576100B
- Authority
- CN
- China
- Prior art keywords
- data
- data point
- fpc connector
- data points
- acquiring
- 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 118
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 238000011156 evaluation Methods 0.000 title claims abstract description 24
- 238000009826 distribution Methods 0.000 claims abstract description 34
- 230000002159 abnormal effect Effects 0.000 claims abstract description 28
- 238000012937 correction Methods 0.000 claims abstract description 19
- 230000005856 abnormality Effects 0.000 claims description 67
- 238000000034 method Methods 0.000 claims description 51
- 239000011159 matrix material Substances 0.000 claims description 44
- 230000008859 change Effects 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000003708 edge detection Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims description 6
- 230000002950 deficient Effects 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 9
- 238000011109 contamination Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013077 scoring method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005194 fractionation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000037303 wrinkles Effects 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及FPC连接器表面图像缺陷检测技术领域,具体涉及一种FPC连接器表面缺陷分级检测评价方法。该方法首先获取FPC连接器表面图像的三维点云数据;进一步根据深度信息的分布特征及其变化趋势,获取每个数据点的异常置信程度;进一步通过数据点的异常置信程度调整数据点的分布密度,然后进行密度聚类,获得准确的缺陷区域;最后提取缺陷区域的缺陷信息,对FPC连接器表面缺陷进行分级检测评价。本发明充分考虑了FPC连接器在生产过程中发生的表面形变对深度信息产生的影响,通过调整点云数据的分布特征,获得准确的修正距离,最终提升获取的缺陷区域的准确性,从而获得更准确的缺陷信息,提高分级检测评价的准确性。
Description
技术领域
本发明涉及FPC连接器表面图像缺陷检测技术领域,具体涉及一种FPC连接器表面缺陷分级检测评价方法。
背景技术
FPC连接器表面的缺陷,如破损、污染或异物,可能质量下降。通过及时检测和识别缺陷,可以确保产品质量稳定,从而降低因次品产品而造成的损失。
FPC连接器表面缺陷分类检测场景中,利用深度相机获取的RGB-D图像可以高效率的获取到FPC连接器表面的深度信息,通过对三维点云数据进行密度聚类,可以有效分辨出表面的破损、破裂等缺陷;但FPC连接器在生产过程中发生的表面形变会使得FPC连接器表面深度信息发生变化,从而对缺陷区域的深度信息获取产生影响,获得的数据点分布特征不够准确,使得对FPC连接器表面的缺陷识别不够准确,影响缺陷分级检测评价。
发明内容
为了解决点云数据中数据点的分布特征获取不准确,影响对FPC连接器表面缺陷分级检测评价的技术问题,本发明的目的在于提供一种FPC连接器表面缺陷分级检测评价方法,所采用的技术方案具体如下:
获取FPC连接器表面图像的三维点云数据;
分析三维点云数据的深度信息局部分布特征,获取每个数据点的区域异常程度,根据数据点的位置坐标值,将所有数据点的所述区域异常程度构建为一个区域异常程度矩阵;分析所述区域异常程度矩阵内数据点的所述区域异常程度的变化趋势,获取每个数据点的异常置信程度;获取数据点之间的初始距离,通过数据点的所述异常置信程度调整数据点之间的初始距离,获得三维点云数据之间的修正距离;
根据所述修正距离对三维点云数据进行密度聚类,根据聚类结果获得FPC连接器表面图像的缺陷区域;提取所述缺陷区域的缺陷信息,对FPC连接器表面缺陷进行分级检测评价。
进一步地,所述区域异常程度的获取方法包括:
设定所述三维点云数据分布在三维直角坐标系中,/>轴与/>轴的坐标值表示数据点的坐标位置信息,/>轴的坐标值表示数据点的深度信息;在每个数据点为中心点的/>平面上,以预设邻域参数构建平面区域,与/>轴构成长方体的空间区域,将所述空间区域内其他数据点作为邻域数据点;
根据每个数据点与其所有所述邻域数据点深度信息的差异,利用区域异常程度计算公式,获取每个数据点的区域异常程度。
进一步地,所述区域异常程度计算公式包括:;其中,O表示数据点的序号;/>表示第O个数据点的区域异常程度;/>表示O个数据点的深度信息值;i表示邻域数据点的序号;表示第i个邻域数据点的深度信息值;/>表示第O个数据点与第i个邻域数据点的欧氏距离;L表示邻域数据点的数量;/>表示最大最小值归一化函数。
进一步地,所述异常置信程度的获取方法包括:
将所述区域异常程度矩阵按照预设分块尺寸进行均匀分块,获得多个子块矩阵;选择任意一个子块矩阵为目标矩阵;
利用主成分分析算法获取所述目标矩阵的主成分方向,获取主成分方向上每个数据点的对应位置法线上所有数据点的所述区域异常程度的均值,将每个均值作为主成分方向上每个数据点对应元素点的元素值,获得主成分向量;
根据所述目标矩阵的主成分向量上的元素值变化趋势,获取变化趋势参数;
根据所述目标矩阵内每个数据点与主成分向量上元素值的差异,获取目标矩阵中每个数据点的差异参数;
改变目标矩阵,获得每个字块矩阵中每个数据点的所述差异参数;
将所述变化趋势参数与每个数据点的所述差异参数的商进行归一化后作为每个数据点的异常置信程度。
进一步地,所述变化趋势参数的获取方法包括:
获取所述主成分向量上所有相邻元素之间的元素值差值的绝对值,构成差异值集合;将所述差异值集合中所有元素的方差作为变化趋势参数。
进一步地,所述差异参数的获取方法包括:
获取所述主成分向量上所有元素值的均值作为均值参数;获取每个数据点的所述区域异常程度与所述均值参数的差值绝对值,再与所述均值参数作商,获得每个数据点与所述主成分向量元素值的差异比例,将差异比例作为每个数据点对应的差异参数。
进一步地,所述调整数据点的分布密度,获得修正距离的方法包括:
获取所述三维点云数据中任意两个数据点在三维空间内的欧氏距离作为初始距离;
根据初始距离调整公式获取修正距离,进行调整数据点之间的初始距离,获得修正距离;所述初始距离调整公式包括:;其中,o和k表示数据点的序号/>表示第o个数据点与第k个数据点之间的初始距离;/>表示第o个数据点与第k个数据点之间的修正距离;/>表示第o个数据点的异常置信程度;表示第k个数据点的异常置信程度;/>表示置信阈值。进一步地,所述根据聚类结果获得FPC连接器表面图像的缺陷区域的方法包括:
利用DBSCAN密度聚类算法对调整后的三维点云数据的修正距离进行密度聚类,获得多个聚类簇,其中面积最大对应的FPC连接器表面图像区域为非缺陷区域,其余聚类簇对应的FPC连接器表面图像区域为缺陷区域。
进一步地,所述对FPC连接器表面缺陷进行分级检测评价包括:
利用边缘检测算法获取缺陷区域的准确面积、形态、分布信息,利用分级评分方法将缺陷分为轻微缺陷,一般缺陷与严重缺陷。
进一步地,所述置信阈值为0.68。
本发明具有如下有益效果:
首先获取FPC连接器表面图像的三维点云数据,便于后续分析数据点的分布特征并调整分布密度,获取更准确的缺陷信息;进一步根据三维点云数据的深度信息局部分布特征,获取每个数据点的区域异常程度,充分利用缺陷区域存在深度信息突变的特性,为后续分析区域异常程度的变化趋势做准备;进一步构建区域异常程度矩阵,便于分析矩阵内区域异常程度的变化趋势,获取每个数据点的异常置信程度,为调整三维点云数据的分布做好准备;进一步根据调整数据点之间的初始距离,获得更准确的修正距离,使分布密度更符合FPC连接器表面图像的实际特征,最终提升缺陷区域获取的准确性,提高FPC连接器表面缺陷分级检测评价方法的准确性;进一步根据修正距离对三维点云数据进行密度聚类,获得准确的缺陷区域,从而提取准确的缺陷信息,对FPC连接器表面缺陷进行准确的分级检测评价。本发明充分考虑了FPC连接器在生产过程中发生的表面形变对深度信息产生的影响,通过调整点云数据的分布特征,获得准确的修正距离,最终提升获取的缺陷区域的准确性,从而获得更准确的缺陷信息,提高分级检测评价的准确性。
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FPC连接器表面缺陷分级检测评价方法的流程图。
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FPC连接器表面缺陷分级检测评价方法,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FPC连接器表面缺陷分级检测评价方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种FPC连接器表面缺陷分级检测评价方法的流程图,具体包括:
步骤S1:获取FPC连接器表面图像的三维点云数据。
传统的二维图像相比,三维点云数据可以提供更多的深度信息,这使得检测FPC连接器表面的微小缺陷、凹陷或突起变得更加准确和可靠;通过获取三维点云数据,可以更容易地检测到表面上的各种问题,如表面破损、皱纹或变形,这有助于减少次品产品的生产,提高产品质量。
在本发明一个实施例中,将深度相机放置在FPC连接器表面缺陷检测生产线的正上方,相机俯视获得FPC连接器表面RGB-D图像,其灰度值表示图像的深度信息将RGB-D图像转化为三维直角坐标系中的三维点云数据。
步骤S2:分析三维点云数据的深度信息局部分布特征,获取每个数据点的区域异常程度;根据数据点的位置坐标值,将所有数据点的区域异常程度构建为一个区域异常程度矩阵;分析区域异常程度矩阵内数据点的区域异常程度的变化趋势,获取每个数据点的异常置信程度;获取数据点之间的初始距离,通过数据点的异常置信程度调整数据点之间的初始距离,获得三维点云数据之间的修正距离。
FPC连接器在生产过程中发生的表面形变,会使其FPC连接器表面深度信息发生变化,从而对缺陷区域的深度信息获取产生影响,导致三维点云数据不够准确,影响后续利用三维点云数据进行缺陷检测或其他操作,影响获得结果的准确度,所以需要根据深度信息的分布特征以及变化趋势,获得异常置信程度,进而调整数据点之间的距离,最终获得更准确的三维点云数据。
数据点由于深度信息的不同存在不同的分布特征,即FPC连接器形变区域数据点的深度信息存在相较于正常区域的不同的深度差异,因此可以分析三维点云数据的深度信息局部分布特征,获取每个数据点的区域异常程度。
优选地,在本发明一个实施例中,考虑到在形变区域内具有深度渐变的特征,表现为数据点邻域内的深度差异的相近似,而缺陷区域则在边缘区域存在深度信息的突变。基于此,设定三维点云数据分布在三维直角坐标系中,/>轴与/>轴的坐标值表示数据点的坐标位置信息,/>轴的坐标值表示数据点的深度信息;在每个数据点为中心点的平面上,以预设邻域参数构建平面区域,与/>轴构成长方体的空间区域,将所述空间区域内其他数据点作为邻域数据点;
根据每个数据点与其所有邻域数据点深度信息的差异,利用区域异常程度计算公式,获取每个数据点的区域异常程度。
在本发明一个实施例中,预设邻域参数为5,构建平面区域尺寸为5*5。在本发明其他实施例中,实施者可以自行设定预设邻域参数。
优选地,在本发明一个实施例中,考虑到数据点与其邻域数据点的差异跟空间距离有关,因此利用他们之间的欧氏距离进行标准化差异,同时考虑到数据点与所有邻域数据点的差异的均值能够反映出数据点在区域中的整体异常程度,所述区域异常程度计算公式包括:;其中,O表示数据点的序号;/>表示第O个数据点的区域异常程度;/>表示O个数据点的深度信息值;i表示邻域数据点的序号;表示第i个邻域数据点的深度信息值;/>表示第O个数据点与第i个邻域数据点的欧氏距离;L表示邻域数据点的数量;/>表示最大最小值归一化函数。
区域异常程度计算公式中,越大,说明数据点与邻域数据点在单位距离上的深度信息差异越大,数据点的异常程度就越大,区域异常程度就越大。
在本发明其他实施例中,实施者可以自行设定预设邻域参数;实施者也可以使用孤立森林算法获取数据点的区域异常程度。
根据数据点x轴与y轴的坐标值,将所有数据点的区域异常程度构建为一个区域异常程度矩阵,可利用其形变区域与真实缺陷区域的渐变与突变的特性,通过数据点的区域异常程度的变化趋势,获取数据点的异常置信程度,以便于后续筛选出的数据点可靠性更高,更真实的异常缺陷区域的数据点。
优选地,在本发明一个实施例中,考虑到FPC连接器形变区域存在一定的异常显著程度,因此需要将区域异常程度矩阵进行分块,分析局部异常的变化趋势;而主成成分分析算法可以获取子块内的主要变化方向,利用主要变化方向上的变化趋势可以反映出子块整体的变化趋势,而数据点与整体变化趋势的差异就能反映出数据点的趋势差异程度,所以异常置信程度的获取方法包括:
将区域异常程度矩阵按照预设分块尺寸进行均匀分块,获得多个子块矩阵;选择任意一个子块矩阵为目标矩阵;
利用主成分分析算法获取目标矩阵的主成分方向,获取主成分方向上每个数据点的对应位置法线上所有数据点的区域异常程度的均值,将每个均值作为主成分方向上每个数据点对应元素点的元素值,获得主成分向量;
根据目标矩阵的主成分向量上的元素值变化趋势,获取变化趋势参数;
根据目标矩阵内每个数据点与主成分向量上元素值的差异,获取目标矩阵中每个数据点的差异参数;
改变目标矩阵,获得每个字块矩阵中每个数据点的差异参数;
将变化趋势参数与每个数据点的差异参数的商进行归一化后作为每个数据点的异常置信程度。异常置信程度计算公式包括:其中,NB表示数据点的异常置信程度;H表示数据点所在目标矩阵的变化趋势参数;K表示数据点的差异参数;表示归一化函数。
异常置信程度计算公式中,变化趋势参数越大,说明目标矩阵内数据点的变化趋势越明显,变化一致性越强,目标矩阵内异常一致性越高,异常置信程度就越大;K越小,说明数据点与主成分向量的差异越小,数据点的异常程度可信度就越高,数据点的异常置信程度就越大。
在本发明一个实施例中,预设分块尺寸为25*25,在本发明其他实施例中,实施者可以自行设定,实施者也可以采用独立成分分析算法等其他降维和主成分提取方法替换主成分分析算法,获取主成分向量;需要说明的是,主成分分析算法已是本领域技术人员所熟知的技术手段,在此不再进行赘述。
优选地,在本发明一个实施例中,考虑到主成分向量上相邻元素变化差异的方差能够反映出目标矩阵变化趋势的稳定性,因此获取主成分向量上所有相邻元素之间的元素值差值的绝对值,构成差异值集合;将差异值集合中所有元素的方差作为变化趋势参数。集合内数据的方差越小,说明主成分向量内元素变化越稳定,变化趋势越强,变化趋势参数就越大。
在本发明其他实施例中,实施者可以利用标准差等个其他方式衡量主成分向量内元素变化的稳定性,从而获得变化趋势参数。
优选地,在本发明一个实施例中,不同目标矩阵数据点与所在目标矩阵内的主要成分的差异有所不同,利用差异比例可以进行标准化,从而衡量数据点的偏离和差异程度,差异参数的获取方法包括:
获取主成分向量上所有元素值的均值作为均值参数;获取每个数据点的区域异常程度与均值参数的差值绝对值,再与均值参数作商,获得每个数据点与主成分向量元素值的差异比例,将差异比例作为每个数据点对应的差异参数。
获得数据点的异常置信程度之后,就可以对数据点的分布密度进行调整,使其更符合FPC连接器表面图像的实际特征,从而获得更准确的修正距离,最终提升缺陷区域获取的准确性,提高FPC连接器表面缺陷分级检测评价方法的准确性。
优选地,在本发明一个实施例中,考虑到欧氏距离计算性能高效,在处理大规模点云数据时能够减少计算开销,因此通过获取欧氏距离作为初始距离;当数据点之间的异常置信程度差异越小时,两点之间的差异越小,越有可能是同一类数据点,距离应该更小,所以修正距离的方法包括:
获取三维点云数据中任意两个数据点在三维空间内的欧氏距离作为初始距离;
根据初始距离调整公式获取修正距离,进行调整数据点之间的初始距离,获得修正距离;初始距离调整公式包括:;其中,o和k表示数据点的序号,/>表示第o个数据点与第k个数据点之间的初始距离;/>表示第o个数据点与第k个数据点之间的修正距离;/>表示第o个数据点的异常置信程度;/>表示第k个数据点的异常置信程度;/>表示置信阈值。
初始距离调整公式中,数据点之间的异常置信程度差异越大,说明两个数据点越有可能不是同一类数据点,他们之间的距离应当更远,所以增大初始距离;反之,越有可能是同一类数据点,距离应当更近,所以减小初始距离。
需要说明的是,获取欧氏距离已是本领域技术人员所熟知的技术手段,在此不再进行赘述;在本发明其他实施例中,实施者可用曼哈顿距离等其他距离方法获取两个数据点之间的初始距离;也可以选用如指数函数等其他数据映射方式比较两个数据点异常置信程度的差异,并调整置信阈值;在本发明一个实施例中,置信阈值取0.68。
步骤S3:根据修正距离对三维点云数据进行密度聚类,根据聚类结果获得FPC连接器表面图像的缺陷区域;提取缺陷区域的缺陷信息,对FPC连接器表面缺陷进行分级检测评价。
修正距离充分考虑了FPC连接器表面图像发生形变对深度信息的影响,所以获得三维点云数据之间的修正距离之后,就可以进行密度聚类,从而筛选出更为准确的缺陷区域。
优选地,在本发明一个实施例中,考虑到DBSCAN密度聚类算法是一种无监督聚类方法,不需要预先确定聚类簇数量,可以根据数据间距离特征,能够较好的将不同类型数据进行分类,并考虑到缺陷类型的多样性,仅将面积最大的聚类簇作为正常数据,所以根据聚类结果获得FPC连接器表面图像的缺陷区域的方法包括:
利用DBSCAN密度聚类算法对调整后的三维点云数据的修正距离进行密度聚类,获得多个聚类簇,其中面积最大对应的FPC连接器表面图像区域为非缺陷区域,其余聚类簇对应的FPC连接器表面图像区域为缺陷区域。
需要说明的是,DBSCAN密度聚类算法已是本领域技术人员所熟知的技术手段,在此不在进行赘述;在本发明其他实施例中,实施者可以选择OPTICS算法或DENCLUE算法获得缺陷区域;也可以选择其他数量个较大的聚类簇对应非缺陷区域,例如前预设数量聚类簇内数据点数量较大且数量相近,与其他聚类簇中数据点的数量差异较大时,选择前预设数量个聚类簇对应非缺陷区域。
筛选出准确的缺陷区域后,就可以提取缺陷区域的详细信息,从而根据缺陷区域内的信息对缺陷进行分级检测评价操作。
优选地,在本发明一个实施例中,考虑到边缘检测算法可以定位缺陷的位置和形状,能够获取准确的缺陷面积,因此利用边缘检测算法获取缺陷区域的准确面积、形态、分布信息,利用分级评分方法将缺陷分为轻微缺陷,一般缺陷与严重缺陷。
需要说明的是,在本发明一个实施例中,使用Sobel算子进行边缘检测,使用数字评分的分级评分方法将缺陷区域评分为0到10,[0,2)为轻微缺陷、[2,5)为一般缺陷、[5,10)为严重缺陷;在本发明其他实施例中,实施者也可以获取缺陷区域的其他信息,选用其他边缘检测算子;也可以利用其他例如基于神经网络的缺陷分级方法进行分级检测评价;也可以使用特征提取方法,如HOG、SIFT,可以提取缺陷区域的特征描述符,从而进行比较和分类;还可以根据需要可视化显示到相应的显示器上,以便用户更加直观的查看FPC连接器缺陷区域及相关信息。分级检测评价中所提及的所有方法均是本领域技术人员所熟知的,在此不再进行赘述。
综上所述,针对点云数据中数据点的分布特征获取不准确,影响对FPC连接器表面缺陷分级检测评价的技术问题,提出了一种FPC连接器表面缺陷分级检测评价方法。该方法首先获取FPC连接器表面图像的三维点云数据;进一步根据深度信息的分布特征获取数据点的区域异常程度;进一步根据区域异常程度的变化趋势,获取每个数据点的异常置信程度;进一步通过数据点的异常置信程度调整数据点的初始距离,获得准确的分布特征;进一步进行密度聚类,获得准确的缺陷区域;最后提取缺陷区域的缺陷信息,对FPC连接器表面缺陷进行分级检测评价。本发明充分考虑了FPC连接器在生产过程中发生的表面形变对深度信息产生的影响,通过调整点云数据的分布特征,获得准确的修正距离,最终提升获取的缺陷区域的准确性,从而获得更准确的缺陷信息,提高分级检测评价的准确性。
一种FPC连接器表面三维点云数据修正方法实施例:
FPC连接器表面的缺陷,如破损、污染或异物,可能引起质量下降。通过及时检测和识别缺陷,可以确保产品质量稳定,从而降低因次品产品而造成的损失。
利用深度相机获取的RGB-D图像可以高效率的获取到FPC连接器表面的深度信息,通过对三维点云数据进行分析,可以有效分辨出表面的破损、破裂等缺陷;但FPC连接器在生产过程中发生的表面形变会使得FPC连接器表面深度信息发生变化,从而对缺陷区域的深度信息获取产生影响,获得的数据点分布特征不够准确,使得三维点云数据不够准确。
为了解决FPC连接器表面点云数据中数据点的分布特征获取不准确的技术问题,本发明的目的在于提供一种FPC连接器表面三维点云数据修正方法,包括:
步骤S1:获取FPC连接器表面图像的三维点云数据。
步骤S2:分析三维点云数据的深度信息局部分布特征,获取每个数据点的区域异常程度,根据数据点的位置坐标值,将所有数据点的区域异常程度构建为一个区域异常程度矩阵;分析区域异常程度矩阵内数据点的区域异常程度的变化趋势,获取每个数据点的异常置信程度;获取数据点之间的初始距离,通过数据点的异常置信程度调整数据点之间的初始距离,获得三维点云数据之间的修正距离。
由于步骤S1到步骤S2的具体实现过程在上述一种FPC连接器表面缺陷分级检测评价方法中已给出详细说明,不再赘述。
综上所述,本发明首先获取FPC连接器表面图像的三维点云数据;进一步根据深度信息的分布特征获取数据点的区域异常程度;进一步根据区域异常程度的变化趋势,获取每个数据点的异常置信程度;进一步通过数据点的异常置信程度调整数据点的初始距离,获得准确的三维点云数据。本发明充分考虑了FPC连接器在生产过程中发生的表面形变对深度信息产生的影响,通过调整点云数据的分布特征,获得准确的修正距离,获得了更加准确的三维点云数据。
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 (9)
1.一种FPC连接器表面缺陷分级检测评价方法,其特征在于,所述方法包括:
获取FPC连接器表面图像的三维点云数据;
分析三维点云数据的深度信息局部分布特征,获取每个数据点的区域异常程度,根据数据点的位置坐标值,将所有数据点的所述区域异常程度构建为一个区域异常程度矩阵;分析所述区域异常程度矩阵内数据点的所述区域异常程度的变化趋势,获取每个数据点的异常置信程度;获取数据点之间的初始距离,通过数据点的所述异常置信程度调整数据点之间的初始距离,获得三维点云数据之间的修正距离;
所述异常置信程度的获取方法包括:
将所述区域异常程度矩阵按照预设分块尺寸进行均匀分块,获得多个子块矩阵;选择任意一个子块矩阵为目标矩阵;
利用主成分分析算法获取所述目标矩阵的主成分方向,获取主成分方向上每个数据点的对应位置法线上所有数据点的所述区域异常程度的均值,将每个均值作为主成分方向上每个数据点对应元素点的元素值,获得主成分向量;
根据所述目标矩阵的主成分向量上的元素值变化趋势,获取变化趋势参数;
根据所述目标矩阵内每个数据点与主成分向量上元素值的差异,获取目标矩阵中每个数据点的差异参数;
改变目标矩阵,获得每个字块矩阵中每个数据点的所述差异参数;
将所述变化趋势参数与每个数据点的所述差异参数的商进行归一化后作为每个数据点的异常置信程度;
根据所述修正距离对三维点云数据进行密度聚类,根据聚类结果获得FPC连接器表面图像的缺陷区域;提取所述缺陷区域的缺陷信息,对FPC连接器表面缺陷进行分级检测评价。
2.根据权利要求1中所述的一种FPC连接器表面缺陷分级检测评价方法,其特征在于,所述区域异常程度的获取方法包括:
设定所述三维点云数据分布在三维直角坐标系中,/>轴与/>轴的坐标值表示数据点的坐标位置信息,/>轴的坐标值表示数据点的深度信息;在每个数据点为中心点的/>平面上,以预设邻域参数构建平面区域,与/>轴构成长方体的空间区域,将所述空间区域内其他数据点作为邻域数据点;
根据每个数据点与其所有所述邻域数据点深度信息的差异,利用区域异常程度计算公式,获取每个数据点的区域异常程度。
3.根据权利要求2中所述的一种FPC连接器表面缺陷分级检测评价方法,其特征在于,所述区域异常程度计算公式包括:;其中,O表示数据点的序号;/>表示第O个数据点的区域异常程度;/>表示O个数据点的深度信息值;i表示邻域数据点的序号;表示第i个邻域数据点的深度信息值;/>表示第O个数据点与第i个邻域数据点的欧氏距离;L表示邻域数据点的数量;/>表示最大最小值归一化函数。
4.根据权利要求1中所述的一种FPC连接器表面缺陷分级检测评价方法,其特征在于,所述变化趋势参数的获取方法包括:
获取所述主成分向量上所有相邻元素之间的元素值差值的绝对值,构成差异值集合;将所述差异值集合中所有元素的方差作为变化趋势参数。
5.根据权利要求1中所述的一种FPC连接器表面缺陷分级检测评价方法,其特征在于,所述差异参数的获取方法包括:
获取所述主成分向量上所有元素值的均值作为均值参数;获取每个数据点的所述区域异常程度与所述均值参数的差值绝对值,再与所述均值参数作商,获得每个数据点与所述主成分向量元素值的差异比例,将差异比例作为每个数据点对应的差异参数。
6.根据权利要求1中所述的一种FPC连接器表面缺陷分级检测评价方法,其特征在于,所述密度聚类包括调整数据点的分布密度,获得修正距离的方法:
获取所述三维点云数据中任意两个数据点在三维空间内的欧氏距离作为初始距离;
根据初始距离调整公式获取修正距离,进行调整数据点之间的初始距离,获得修正距离;所述初始距离调整公式包括:;其中,o和k表示数据点的序号,/>表示第o个数据点与第k个数据点之间的初始距离;/>表示第o个数据点与第k个数据点之间的修正距离;/>表示第o个数据点的异常置信程度;/>表示第k个数据点的异常置信程度;/>表示置信阈值。
7.根据权利要求1中所述的一种FPC连接器表面缺陷分级检测评价方法,其特征在于,所述根据聚类结果获得FPC连接器表面图像的缺陷区域的方法包括:
利用DBSCAN密度聚类算法对调整后的三维点云数据的修正距离进行密度聚类,获得多个聚类簇,其中面积最大对应的FPC连接器表面图像区域为非缺陷区域,其余聚类簇对应的FPC连接器表面图像区域为缺陷区域。
8.根据权利要求1中所述的一种FPC连接器表面缺陷分级检测评价方法,其特征在于,所述对FPC连接器表面缺陷进行分级检测评价包括:
利用边缘检测算法获取缺陷区域的准确面积、形态、分布信息,利用分级评分方法将缺陷分为轻微缺陷,一般缺陷与严重缺陷。
9.根据权利要求6中所述的一种FPC连接器表面缺陷分级检测评价方法,其特征在于,所述置信阈值为0.68。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410061012.9A CN117576100B (zh) | 2024-01-16 | 2024-01-16 | 一种fpc连接器表面缺陷分级检测评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410061012.9A CN117576100B (zh) | 2024-01-16 | 2024-01-16 | 一种fpc连接器表面缺陷分级检测评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117576100A CN117576100A (zh) | 2024-02-20 |
CN117576100B true CN117576100B (zh) | 2024-03-22 |
Family
ID=89886691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410061012.9A Active CN117576100B (zh) | 2024-01-16 | 2024-01-16 | 一种fpc连接器表面缺陷分级检测评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117576100B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117853481B (zh) * | 2024-03-04 | 2024-05-24 | 枣庄矿业集团新安煤业有限公司 | 一种零速度乘人装置的直线导轨表面缺陷测量方法 |
CN117974933A (zh) * | 2024-03-28 | 2024-05-03 | 岐山县华强工贸有限责任公司 | 用于盘式制动器卡钳的3d打印模具快速扫描方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103278719A (zh) * | 2013-06-06 | 2013-09-04 | 广东电网公司佛山供电局 | 基于矩阵图及置信度的电力设备故障检测方法和系统 |
CN110516589A (zh) * | 2019-08-26 | 2019-11-29 | 东北大学 | 一种管道漏磁数据的边界精确识别方法 |
CN112326673A (zh) * | 2020-11-13 | 2021-02-05 | 南京航空航天大学 | 基于机器视觉的注塑件表面缺陷检测方法和装置 |
CN114035604A (zh) * | 2021-09-27 | 2022-02-11 | 广州市赋安电子科技有限公司 | 一种视频监控和无人机空地联动的异常目标检测方法 |
WO2022142628A1 (zh) * | 2020-12-29 | 2022-07-07 | 华为技术有限公司 | 一种点云数据处理方法及装置 |
CN114842016A (zh) * | 2022-07-05 | 2022-08-02 | 南通森田消防装备有限公司 | 一种基于计算机视觉的消防水带缺陷检测方法及系统 |
CN115035031A (zh) * | 2022-05-07 | 2022-09-09 | 浙江华睿科技股份有限公司 | Pin针的缺陷检测方法、装置、电子设备及存储介质 |
WO2023127748A1 (ja) * | 2021-12-27 | 2023-07-06 | 株式会社ダイセル | 異常検知装置、異常検知方法及び異常検知プログラム |
WO2023155069A1 (zh) * | 2022-02-16 | 2023-08-24 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的手机电池表面缺陷检测方法 |
CN116777877A (zh) * | 2023-06-25 | 2023-09-19 | 深圳市国电科技通信有限公司 | 电路板缺陷检测方法、装置、计算机设备及存储介质 |
CN116900412A (zh) * | 2023-09-14 | 2023-10-20 | 山东昌啸商贸有限公司 | 基于视觉处理的钢板等距自动切割调控方法 |
CN117218041A (zh) * | 2023-11-08 | 2023-12-12 | 深圳长盛高精密五金有限公司 | 一种基于线扫描的金属轴表面图像采集方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6741941B2 (en) * | 2002-09-04 | 2004-05-25 | Hitachi, Ltd. | Method and apparatus for analyzing defect information |
US20220128702A1 (en) * | 2020-10-23 | 2022-04-28 | Argo AI, LLC | Systems and methods for camera-lidar fused object detection with local variation segmentation |
-
2024
- 2024-01-16 CN CN202410061012.9A patent/CN117576100B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103278719A (zh) * | 2013-06-06 | 2013-09-04 | 广东电网公司佛山供电局 | 基于矩阵图及置信度的电力设备故障检测方法和系统 |
CN110516589A (zh) * | 2019-08-26 | 2019-11-29 | 东北大学 | 一种管道漏磁数据的边界精确识别方法 |
CN112326673A (zh) * | 2020-11-13 | 2021-02-05 | 南京航空航天大学 | 基于机器视觉的注塑件表面缺陷检测方法和装置 |
WO2022142628A1 (zh) * | 2020-12-29 | 2022-07-07 | 华为技术有限公司 | 一种点云数据处理方法及装置 |
CN114035604A (zh) * | 2021-09-27 | 2022-02-11 | 广州市赋安电子科技有限公司 | 一种视频监控和无人机空地联动的异常目标检测方法 |
WO2023127748A1 (ja) * | 2021-12-27 | 2023-07-06 | 株式会社ダイセル | 異常検知装置、異常検知方法及び異常検知プログラム |
WO2023155069A1 (zh) * | 2022-02-16 | 2023-08-24 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的手机电池表面缺陷检测方法 |
CN115035031A (zh) * | 2022-05-07 | 2022-09-09 | 浙江华睿科技股份有限公司 | Pin针的缺陷检测方法、装置、电子设备及存储介质 |
CN114842016A (zh) * | 2022-07-05 | 2022-08-02 | 南通森田消防装备有限公司 | 一种基于计算机视觉的消防水带缺陷检测方法及系统 |
CN116777877A (zh) * | 2023-06-25 | 2023-09-19 | 深圳市国电科技通信有限公司 | 电路板缺陷检测方法、装置、计算机设备及存储介质 |
CN116900412A (zh) * | 2023-09-14 | 2023-10-20 | 山东昌啸商贸有限公司 | 基于视觉处理的钢板等距自动切割调控方法 |
CN117218041A (zh) * | 2023-11-08 | 2023-12-12 | 深圳长盛高精密五金有限公司 | 一种基于线扫描的金属轴表面图像采集方法 |
Non-Patent Citations (4)
Title |
---|
无线传感器网络中基于空间关联性的聚类异常检测算法;张鹏;冯欣;周建国;;计算机应用研究;20130515(第05期);正文 * |
时-空域多特征证据学习与增强的印染疵点在线检测;周平;汪亚明;朱森勇;;纺织学报;20060515(第05期);正文 * |
物化探综合异常模糊分级评价及识别;陈书让;张林;史朝洋;;物探化探计算技术;20101115(第06期);正文 * |
视频异常行为识别与分级预警系统;杨谦;何小海;蒋俊;吴晓红;;科学技术与工程;20150518(第14期);正文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117576100A (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117576100B (zh) | 一种fpc连接器表面缺陷分级检测评价方法 | |
CN114549522B (zh) | 基于目标检测的纺织品质量检测方法 | |
WO2021000524A1 (zh) | 孔位保护门检测方法、装置、计算机设备和存储介质 | |
CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、系统及介质 | |
CN109285791B (zh) | 设计布局为主的快速在线缺陷诊断、分类及取样方法及系统 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
WO2024021461A1 (zh) | 缺陷检测方法及装置、设备、存储介质 | |
CN115294109A (zh) | 基于人工智能的实木板材生产缺陷识别系统、电子设备 | |
CN117237747B (zh) | 基于人工智能的五金件缺陷分类识别方法 | |
CN115082472A (zh) | 一种轮毂模具浇注成型产品的质量检测方法及系统 | |
CN116740053B (zh) | 一种锻造加工智能生产线的管理系统 | |
CN114972230A (zh) | 一种生产线上电路板缺陷检测方法及系统 | |
CN114065798A (zh) | 基于机器识别的视觉识别方法及装置 | |
CN115601564B (zh) | 基于图像识别的胶体轮廓检测方法及系统 | |
CN116664540A (zh) | 基于高斯线检测的橡胶密封圈表面缺陷检测方法 | |
CN115690104B (zh) | 一种晶圆裂缝检测方法、装置及存储介质 | |
US11645827B2 (en) | Detection method and device for assembly body multi-view change based on feature matching | |
CN114267434A (zh) | 一种基于影像组学的癌患者肿瘤图像勾画方法 | |
CN115761211A (zh) | 一种基于rgb图像与热成像耦合的石化企业泵房设备温度监测方法及装置 | |
CN113222950A (zh) | 表面缺陷检测模型训练方法、表面缺陷检测方法及系统 | |
CN113327282A (zh) | 一种办公转椅打孔位置与连接点识别方法 | |
CN117474916B (zh) | 一种图像检测方法、电子设备及存储介质 | |
CN117115172B (zh) | 一种基于机器视觉的阿胶品质检测方法及系统 | |
CN117152447B (zh) | 一种冲切模具智能管理方法及系统 | |
CN112862804B (zh) | 一种眼底视网膜血管图像处理系统及方法 |
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 |