CN117615484B - 一种基于ai的视觉检测光源控制方法、系统、设备及介质 - Google Patents
一种基于ai的视觉检测光源控制方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN117615484B CN117615484B CN202410096654.2A CN202410096654A CN117615484B CN 117615484 B CN117615484 B CN 117615484B CN 202410096654 A CN202410096654 A CN 202410096654A CN 117615484 B CN117615484 B CN 117615484B
- Authority
- CN
- China
- Prior art keywords
- image
- image index
- light source
- auxiliary light
- parameter
- 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 claims abstract description 90
- 230000000007 visual effect Effects 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 238000011179 visual inspection Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 11
- 230000001105 regulatory effect Effects 0.000 claims description 11
- 238000007689 inspection Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 238000005286 illumination Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 241000112598 Pseudoblennius percoides Species 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
- H05B47/10—Controlling the light source
- H05B47/105—Controlling the light source in response to determined parameters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8806—Specially adapted optical and illumination features
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
- Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
- Studio Devices (AREA)
Abstract
本申请涉及视觉检测的领域，尤其是涉及一种基于AI的视觉检测光源控制方法、系统、设备及介质。方法包括：采用待控制视觉检测设备获取待检测构件的拍摄图像；对拍摄图像进行图像指标分析，确定拍摄图像的所有图像指标数据；将图像指标数据和图像指标标准数据进行比对，确定图像指标差异；基于图像指标差异，确定辅助光源的调节参数。本申请具有提高调节辅助光源的效率，进而提高视觉检测效率和检测质量的效果。
Description
技术领域
本申请涉及视觉检测的领域，尤其是涉及一种基于AI的视觉检测光源控制方法、系统、设备及介质。
背景技术
目前，视觉检测因其高效率的检测方式在工业生产中得到了很广泛的应用，使用视觉检测可以代替人工完成产品的质量检测，提高生产流水线的检测速度和精度。
但是，视觉检测受光线影响较大，需要辅助光源进行光线调节，从而提高视觉检测的精度，而同种零件因材料、工艺等因素影响，需要的光照也不同，这就需要对辅助光源进行调整，传统的人工调整方式，受人工主观判断的影响，不仅效率低且对检测质量无法保证。
发明内容
为了提高视觉检测效率和检测质量，本申请提供一种基于AI的视觉检测光源控制方法、系统、设备及介质。
第一方面，本申请提供一种基于AI的视觉检测光源控制方法，采用如下的技术方案：
一种基于AI的视觉检测光源控制方法，包括：
采用待控制视觉检测设备获取待检测构件的拍摄图像，其中，所述待控制视觉检测设备包括检测设备和辅助光源，所述待检测构件为被所述待控制视觉检测设备检测的结构件；
对所述拍摄图像进行图像指标分析，确定所述拍摄图像的所有图像指标数据，所述图像指标数据包括均匀性、图像边缘数据、对比度；
将所述图像指标数据和图像指标标准数据进行比对，确定图像指标差异，其中，所述图像指标标准数据根据所述待检测构件的标准件预先标定；
基于所述图像指标差异，确定所述辅助光源的调节参数。
通过采用上述技术方案，在对待检测构件进行视觉检测前，基于辅助光源和检测设备拍摄待检测构件的图像，对拍摄图像进行图像指标分析，并与图像指标标准数据进行比对，确定拍摄图像的图像指标差异，根据图像指标差异，确定辅助光源的调节参数，能提高调节辅助光源的效率，进而提高视觉检测效率和检测质量。
可选的，所述采用待控制视觉检测设备获取待检测构件的拍摄图像，包括：
当所述待检测构件进入所述待控制视觉检测设备的检测区域时，所述辅助光源基于预设参数为所述待检测构件提供照明，所述检测设备对所述待检测构件进行拍摄，获取所述待检测构件的拍摄图像，其中，所述预设参数为预先设定的初始参数或者为上一次检测时的参数。
通过采用上述技术方案，辅助光源基于预设参数为待检测构件提供照明，检测设备对待检测构件进行拍摄，获取待检测构件的拍摄图像，为后续进行辅助光源调整奠定了基础。
可选的，所述对所述拍摄图像进行图像指标分析，确定所述拍摄图像的所有图像指标数据，包括：
对所述拍摄图像进行灰度处理，确定所述拍摄图像的灰度图像；
根据所述灰度图像计算灰度平均值，其中，所述灰度平均值表示所述灰度图像中所有像素点的灰度值的平均值；
根据所述灰度图像每个像素点的灰度值和所述灰度平均值，计算所述灰度图像的均匀性；
基于预设灰度值对所述灰度图像进行二值化处理，确定所述拍摄图像的二值化图像；
根据所述二值化图像进行图像边缘识别，确定所述拍摄图像的图像边缘数据。
可选的，所述对所述拍摄图像进行图像指标分析，确定所述拍摄图像的所有图像指标数据，包括：
获取所述拍摄图像的亮度分布；
根据所述亮度分布，确定所述拍摄图像的对比度。
可选的，所述图像指标标准数据包括：标准均匀性、标准图像边缘数据和标准对比度；所述将所述图像指标数据和图像指标标准数据进行比对，确定图像指标差异，包括：
根据所述均匀性和所述标准均匀性，确定均匀性差异；
根据所述图像边缘数据和所述标准图像边缘数据，确定图像边缘数据差异；
根据所述对比度和所述标准对比度，确定对比度差异。
通过采用上述技术方案，通过对拍摄图像进行灰度处理、二值化处理，确定拍摄图像的均匀性和图像边缘数据，根据拍摄图像的亮度分布，确定拍摄图像的对比度，并基于标准均匀性、标准图像边缘数据和标准对比度，确定均匀性差异、图像边缘数据差异、对比度差异，为后续确定辅助光源的调节参数提供了依据。
可选的，所述基于所述图像指标差异，确定所述辅助光源的调节参数，包括：
分别确定所述均匀性差异和均匀性差异阈值、所述图像边缘数据差异和图像边缘数据差异阈值、所述对比度差异和对比度差异阈值的大小关系；
根据所有所述大小关系，确定需要调节的图像指标；
根据辅助光源参数-图像指标表，确定所述需要调节的图像指标的影响参数，所述影响参数为影响所述需要调节的图像指标的辅助光源参数，所述辅助光源参数-图像指标表表示辅助光源参数与图像指标的对应关系，其中，一个辅助光源参数对应一个或多个图像指标。
可选的，在所述根据辅助光源参数-图像指标表，确定所述需要调节的图像指标的影响参数之后，所述基于所述图像指标差异，确定所述辅助光源的调节参数，包括：
根据所述辅助光源参数-图像指标表，确定所述影响参数的所有影响图像指标；
将所述影响参数的所有影响图像指标输入神经网络模型，得到所述辅助光源的参数值。
通过采用上述技术方案，根据图像指标差异和相应图像指标差异阈值，确定需要调节的图像指标，进而确定需要调节的图像指标的影响参数，将影响参数的所有影响图像指标输入神经网络模型，确定辅助光源的调节参数，能够快速、准确地调整辅助光源，从而提高视觉检测效率和检测质量。
第二方面，本申请提供一种基于AI的视觉检测光源控制系统，采用如下的技术方案：
一种基于AI的视觉检测光源控制系统，包括：
拍摄模块，采用待控制视觉检测设备获取待检测构件的拍摄图像，其中，所述待控制视觉检测设备包括检测设备和辅助光源，所述待检测构件为被所述待控制视觉检测设备检测的结构件；
图像指标分析模块，对所述拍摄图像进行图像指标分析，确定所述拍摄图像的所有图像指标数据，所述图像指标数据包括均匀性、图像边缘数据、对比度；
比对模块，将所述图像指标数据和图像指标标准数据进行比对，确定图像指标差异，其中，所述图像指标标准数据根据所述待检测构件的标准件预先标定；
调节参数确定模块，基于所述图像指标差异，确定所述辅助光源的调节参数。
通过采用上述技术方案，在对待检测构件进行视觉检测前，基于辅助光源和检测设备拍摄待检测构件的图像，对拍摄图像进行图像指标分析，并与图像指标标准数据进行比对，确定拍摄图像的图像指标差异，根据图像指标差异，确定辅助光源的调节参数，能提高调节辅助光源的效率，进而提高视觉检测效率和检测质量。
第三方面，本申请提供一种电子设备，采用如下的技术方案：
一种电子设备，该电子设备包括：
至少一个处理器；
存储器；
至少一个应用程序，其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行，所述至少一个应用程序配置用于：执行上述任一所述的方法。
第四方面，本申请提供一种计算机可读存储介质，采用如下的技术方案：
一种计算机可读存储介质，包括：存储有能够被处理器加载并执行上述任一所述方法的计算机程序。
附图说明
图1是本申请实施例一种基于AI的视觉检测光源控制方法的流程示意图；
图2是本申请实施例一种基于AI的视觉检测光源控制系统的结构框图；
图3是本申请实施例电子设备的示意图。
具体实施方式
以下结合附图1-3对本申请作进一步详细说明。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
如图1所述，一种基于AI的视觉检测光源控制方法，该方法主要流程描述如下（步骤S101～104）：
S101：采用待控制视觉检测设备获取待检测构件的拍摄图像。
在本实施例中，待控制视觉检测设备包括检测设备和辅助光源，其中，检测设备可以是CCD（电荷耦合器相机），也可以是CMOS（光电传感器相机），辅助光源可以是点光源，也可以是线光源，在此不做限定，拍摄图像为当待检测构件到达待控制视觉检测设备的检测区域时检测设备进行拍摄得到的待检测构件的图像，待控制视觉检测设备可以在完成待检测构件生产工序中的一道工序后进行检测，也可以是在完成待检测构件的所有生产工序后进行检测，本申请通过待控制视觉检测设备实时获取待检测构件的图像信息，并对图像信息进行分析以确定待检测构件的生产过程或生产工艺是否正常，从而实现对待检测构件的生产过程的视觉检测。
具体的，采用待控制视觉检测设备获取待检测构件的拍摄图像，包括：当待检测构件进入待控制视觉检测设备的检测区域时，辅助光源基于预设参数为待检测构件提供照明，检测设备对待检测构件进行拍摄，获取待检测构件的拍摄图像，其中，预设参数为预先设定的初始参数或者为上一次检测时的参数。由于外界环境在不断变化，不同时段的环境光线是不同的，而且不同天气等外界因素也会导致相同时段的环境光线也有可能不同，从而导致视觉检测过程在不同时间受外界光线影响是不同的，即不同时段或不同环境下待控制视觉检测设备的补光需求是不同的，因此，本申请需要在不同时间段调整辅助光源的参数，以保证待控制视觉检测设备的拍摄质量。本申请可以在预设时间段（比如将作业时间划分为多个预设时间段，每个预设时间段内的环境光线相近或相同）内先预设一个辅助光源的参数（即预设参数），然后通过拍摄待检测构件的图像并基于拍摄图像判定该预设参数是否适用于当前时间段，若适用则采用该预设参数进行视觉检测，若不适用则调整辅助光源的参数。具体的，该预设参数可以根据预设时间段预先设定一个初始值，例如太阳升起后的时间段（可以根据日出时间设定太阳升起后的时间段）对应的预设参数表示辅助光源提供的光线亮度或照明度较低、而太阳落山后的时间段对应的预设参数表示辅助光源提供的光线亮度或照明度较高；由于每个预设时间段都是连续的，相邻的预设时间段内的环境光线差别不会太大，因此本申请还可以将上一个预设时间段调整得到的辅助光源的参数作为当前预设时间段的预设参数，以提高预设参数的准确性，从而可以尽量降低辅助光源的参数的调整幅度和频率，同时可以提高视觉检测的效率。
在本实施例中，在实际检测过程中，由于待检测构件的生产环境光线难以保证其一致性，或者环境光线较差，从而使得待控制视觉检测设备拍摄得到的拍摄图像的质量难以保证，从而可能致使对待检测构件的生产过程或生产工艺的误判，因此，本申请在待控制视觉检测设备中设置辅助光源为待检测构件提供照明，以保证其环境光线，从而保证拍摄图像的质量一致性，继而更为准确的反映出待检测构件的生产状态。
S102：对拍摄图像进行图像指标分析，确定拍摄图像的所有图像指标数据。
具体的，对拍摄图像进行图像指标分析，确定拍摄图像的所有图像指标数据，包括：对拍摄图像进行灰度处理，确定拍摄图像的灰度图像；根据灰度图像计算灰度平均值，其中，灰度平均值表示灰度图像中所有像素点的灰度值的平均值；根据灰度图像每个像素点的灰度值和灰度平均值，计算灰度图像的均匀性；基于预设灰度值对灰度图像进行二值化处理，确定拍摄图像的二值化图像；根据二值化图像进行图像边缘识别，确定拍摄图像的图像边缘数据。
在本实施例中，灰度处理可以根据最大值法处理，也可以根据平均法处理，灰度平均值为灰度图像中所有像素点灰度值的平均值。
，其中，Y表示灰度图像的均匀性；/>表示第i个像素的灰度值；/>表示所有像素点的灰度值的平均值；n表示像素点个数。
预设灰度值为提前设置完成，图像边缘数据根据二值化图像的图像轮廓进行识别，并确定图像轮廓的完整性，完整性为根据图像轮廓和待检测构件的轮廓进行比对得出。
在视觉检测过程中，拍摄图像的整体亮度应该均匀或灰度差不影响图像处理，对比度也要明显，目标与背景的边界对比清晰，同时图像轮廓要完整清晰，便于检测产品的完整性，因此拍摄图像的均匀性、对比度和图像轮廓的完整性是视觉检测很重要的影响指标，在判断拍摄图像用于视觉检测是否合格时，需要确定拍摄图像的这三个指标，通过灰度处理，可以确定拍摄图像每个像素的灰度值，进而确定拍摄图像的均匀性，通过二值化处理，可以清晰地确定拍摄图像的轮廓，基于灰度图像也可以确定拍摄图像的亮度分布，进而得到拍摄图像的对比度，确定了这些指标之后，便可以对拍摄图像是否合格进行判断，确定待检测构件的生产过程或生产工艺是否正常，从而实现对待检测构件的生产过程的视觉检测。
进一步的，对拍摄图像进行图像指标分析，确定拍摄图像的所有图像指标数据，包括：获取拍摄图像的亮度分布；根据亮度分布，确定拍摄图像的对比度。
在本实施例中，亮度分布根据灰度图像的灰度值确定，对比度为最大灰度值和最小灰度值的比值。
在对待检测构件进行视觉检测时，拍摄图像的质量决定视觉检测的准确性，而拍摄图像的质量取决于拍摄图像的均匀性、图像边缘数据和对比度，由于外界环境光源在不停的变化，在辅助光源参数不变的情况下，拍摄图像的质量无法保证，因此需要在特定的时间对辅助光源进行调整，比如，清晨或黄昏等外界光线变化明显的时间，在对辅助光源进行调整时，就需要确定拍摄图像的均匀性、图像边缘数据和对比度，进而对拍摄图像进行图像指标分析，得到辅助光源的调整依据。
S103：将图像指标数据和图像指标标准数据进行比对，确定图像指标差异。
具体的，将图像指标数据和图像指标标准数据进行比对，确定图像指标差异，包括：根据均匀性和标准均匀性，确定均匀性差异；根据图像边缘数据和标准图像边缘数据，确定图像边缘数据差异；根据对比度和标准对比度，确定对比度差异。
在本实施例中，图像指标标准数据包括：标准均匀性、标准图像边缘数据和标准对比度，为根据待检测构件的标准件，并基于视觉检测的图像质量标准预先标定。均匀性差异为均匀性和标准均匀性的差值，图像边缘数据差异为图像边缘数据和标准图像边缘数据的差值，对比度差异为对比度和标准对比度的差值。
在对辅助光源进行调整以保证拍摄图像的质量一致性时，一般是人工进行调整，这种方式依赖人工经验，调节效率也较低，而辅助光源参数变化会导致图像指标数据变化，通过将图像指标数据和图像指标标准数据进行比对，确定图像指标差异，进而可以倒推出需要进行调整的参数，使得拍摄图像符合视觉检测的要求，提高视觉检测的效率和准确性。
S104：基于图像指标差异，确定辅助光源的调节参数。
在本实施例中，辅助光源的调节参数包括光强、光色、辅助光源角度等等，通过图像指标差异反映需要调节的影响参数，将需要调节的影响参数的影响图像指标输入神经网络模型，确定辅助光源的参数值，可以较准确的进行辅助光源的调整，提高调节辅助光源的效率，进而提高视觉检测效率和检测质量。
具体的，基于图像指标差异，确定辅助光源的调节参数，包括：分别确定均匀性差异和均匀性差异阈值、图像边缘数据差异和图像边缘数据差异阈值、对比度差异和对比度差异阈值的大小关系；根据所有大小关系，确定需要调节的图像指标；根据辅助光源参数-图像指标表，确定需要调节的图像指标的影响参数，影响参数为影响需要调节的图像指标的辅助光源参数，辅助光源参数-图像指标表表示辅助光源参数与图像指标的对应关系，其中，一个辅助光源参数对应一个或多个图像指标。
在本实施例中，均匀性差异阈值、图像边缘数据差异阈值和对比度差异阈值为提前设置完成，在进行视觉检测过程中，在一段时间内辅助光源参数是无变化的，此时外界环境变化较慢，虽然对拍摄图像的图像指标会有一定的影响，但是此时的影响对图像处理影响是很微弱的，而可以忽略不计的影响便是通过图像指标阈值来体现的，不同时段外界影响不同，所以图像指标阈值需要在不同时段提前设置，图像指标差异在图像指标差异阈值范围内，便说明拍摄图像用于视觉检测，而对视觉检测效果基本无影响的，此时不需要调节辅助光源的参数，当某一图像指标差异大于图像指标差异阈值，便说明该图像指标已经影响到视觉检测的效果了，需要对该图像指标进行改变，便需要调节该图像指标相应辅助光源参数的参数值，需要调节的图像指标为图像指标差异大于图像指标差异阈值的图像指标，辅助光源参数-图像指标表表征每个辅助光源参数和相关的图像指标之间的关系，一个图像指标可以被一个或多个辅助光源参数共同影响，同时一个辅助光源参数可以影响一个或多个图像指标，即辅助光源参数和图像指标之间是多对多的交叉影响关系，例如辅助光源参数可以为光强，相关的图像指标为对比度、均匀性，调整该辅助光源参数（光强）可以影响图像指标（对比度、均匀性）。
辅助光源参数-图像指标表可以根据预先实验得到，比如，预先实验可以是通过单次调节辅助光源参数中的一个参数（例如光强），并拍摄相应图像，得到不同光强下，所有图像指标的变化情况，从而确定光强和对应的图像指标之间的关系，也可以根据摄像头的理论参数计算得到，例如根据摄像头拍摄图像的参数和辅助光源参数理论计算得到每个辅助光源参数和相关的图像指标之间的关系。
进一步的，在根据辅助光源参数-图像指标表，确定需要调节的图像指标的影响参数之后，基于图像指标差异，确定辅助光源的调节参数，包括：根据辅助光源参数-图像指标表，确定影响参数的所有影响图像指标；将影响参数的所有影响图像指标输入神经网络模型，得到辅助光源的参数值。
在本实施例中，在对需要调节的图像指标进行调节时，由于一个辅助光源参数对应一个或多个图像指标，在对需要调节的图像指标相应的辅助光源参数进行调节时，可能会影响到其他不需要调节的图像指标，因此需要将影响参数的所有影响图像指标输入到神经网络模型中，在保证其他不需要调节的图像指标变化不超过相应阈值的情况下，确定辅助光源的参数值，神经网络模型是通过大量的图像指标数据和图像指标数据相应的辅助光源的参数值训练而成，输入图像指标变化，可以输出辅助光源参数值，训练样本不包括特异性样本数据，因为特征性样本数据很少，一般用不到，可以减少不必要的训练，比如，一个辅助光源参数值可以对应四个图像指标，而四个图像指标中有一个图像指标在一般分析时是用不到的，那么这个图像指标可以先去掉，在遇到特异性数据时可以生成新的样本对神经网络模型再进行训练，将所有影响图像指标输入神经网络模型，改变需要调节的图像指标的值，输出辅助光源参数值，需要调节的图像指标的值为图像指标差异确定。
在当前对辅助光源进行调整大多数是基于人工进行调整的情形下，通过神经网络模型这种基于人工智能的方式对辅助光源进行调整，可以大幅提高视觉检测的效率。
图2为本申请实施例提供的一种基于AI的视觉检测光源控制系统200的结构框图。
如图2所示，基于AI的视觉检测光源控制系统200主要包括：
拍摄模块201，采用待控制视觉检测设备获取待检测构件的拍摄图像，其中，待控制视觉检测设备包括检测设备和辅助光源，待检测构件为被待控制视觉检测设备检测的结构件；
图像指标分析模块202，对拍摄图像进行图像指标分析，确定拍摄图像的所有图像指标数据，图像指标数据包括均匀性、图像边缘数据、对比度；
比对模块203，将图像指标数据和图像指标标准数据进行比对，确定图像指标差异；其中，图像指标标准数据根据待检测构件的标准件预先标定；
调节参数确定模块204，基于图像指标差异，确定辅助光源的调节参数。
本申请实施例的一种可能的实现方式，拍摄模块201还具体用于采用待控制视觉检测设备获取待检测构件的拍摄图像，包括：当待检测构件进入待控制视觉检测设备的检测区域时，辅助光源基于预设参数为待检测构件提供照明，检测设备对待检测构件进行拍摄，获取待检测构件的拍摄图像，其中，预设参数为预先设定的初始参数或者为上一次检测时的参数。
本申请实施例的一种可能的实现方式，图像指标分析模块202还具体用于对拍摄图像进行图像指标分析，确定拍摄图像的所有图像指标数据，包括：对拍摄图像进行灰度处理，确定拍摄图像的灰度图像；根据灰度图像计算灰度平均值，其中，灰度平均值表示灰度图像中所有像素点的灰度值的平均值；根据灰度图像每个像素点的灰度值和灰度平均值，计算灰度图像的均匀性；基于预设灰度值对灰度图像进行二值化处理，确定拍摄图像的二值化图像；根据二值化图像进行图像边缘识别，确定拍摄图像的图像边缘数据。
本申请实施例的一种可能的实现方式，图像指标分析模块202还具体用于对拍摄图像进行图像指标分析，确定拍摄图像的所有图像指标数据，包括：获取拍摄图像的亮度分布；根据亮度分布，确定拍摄图像的对比度。
本申请实施例的一种可能的实现方式，比对模块203还具体用于图像指标标准数据包括：标准均匀性、标准图像边缘数据和标准对比度；将图像指标数据和图像指标标准数据进行比对，确定图像指标差异，包括：根据均匀性和标准均匀性，确定均匀性差异；根据图像边缘数据和标准图像边缘数据，确定图像边缘数据差异；根据对比度和标准对比度，确定对比度差异。
本申请实施例的一种可能的实现方式，调节参数确定模块204还具体用于基于图像指标差异，确定辅助光源的调节参数，包括：分别确定均匀性差异和均匀性差异阈值、图像边缘数据差异和图像边缘数据差异阈值、对比度差异和对比度差异阈值的大小关系；根据所有大小关系，确定需要调节的图像指标；根据辅助光源参数-图像指标表，确定需要调节的图像指标的影响参数，影响参数为影响需要调节的图像指标的辅助光源参数，辅助光源参数-图像指标表表示辅助光源参数与图像指标的对应关系，其中，一个辅助光源参数对应一个或多个图像指标。
本申请实施例的一种可能的实现方式，调节参数确定模块204还具体用于在根据辅助光源参数-图像指标表，确定需要调节的图像指标的影响参数之后，基于图像指标差异，确定辅助光源的调节参数，包括：根据辅助光源参数-图像指标表，确定影响参数的所有影响图像指标；将影响参数的所有影响图像指标输入神经网络模型，得到辅助光源的参数值。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还从实体装置的角度介绍了一种电子设备，如图3所示，图3所示的电子设备300包括：处理器301和存储器303。其中，处理器301和存储器303相连，如通过总线302相连。可选地，电子设备300还可以包括收发器304。需要说明的是，实际应用中收发器304不限于一个，该电子设备300的结构并不构成对本申请实施例的限定。
处理器301可以是CPU（Central Processing Unit，中央处理器），通用处理器，DSP（Digital Signal Processor，数据信号处理器），ASIC（Application SpecificIntegrated Circuit，专用集成电路），FPGA（Field Programmable Gate Array，现场可编程门阵列）或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器301也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线302可包括一通路，在上述组件之间传送信息。总线302可以是PCI（Peripheral Component Interconnect，外设部件互连标准）总线或EISA（ExtendedIndustry Standard Architecture，扩展工业标准结构）总线等。总线302可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器303可以是ROM（Read Only Memory，只读存储器）或可存储静态信息和指令的其他类型的静态存储设备，RAM（Random Access Memory，随机存取存储器）或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM（Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器）、CD-ROM（Compact DiscRead Only Memory，只读光盘）或其他光盘存储、光碟存储（包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等）、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器303用于存储执行本申请方案的应用程序代码，并由处理器301来控制执行。处理器301用于执行存储器303中存储的应用程序代码，以实现前述方法实施例所示的内容。
其中，电子设备包括但不限于：移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。还可以为服务器等。图3示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (8)
1.一种基于AI的视觉检测光源控制方法，其特征在于，包括：
采用待控制视觉检测设备获取待检测构件的拍摄图像，其中，所述待控制视觉检测设备包括检测设备和辅助光源，所述待检测构件为被所述待控制视觉检测设备检测的结构件；
对所述拍摄图像进行图像指标分析，确定所述拍摄图像的所有图像指标数据，所述图像指标数据包括均匀性、图像边缘数据、对比度；
将所述图像指标数据和图像指标标准数据进行比对，确定图像指标差异，其中，所述图像指标标准数据根据所述待检测构件的标准件预先标定；
基于所述图像指标差异，确定所述辅助光源的调节参数；
所述基于所述图像指标差异，确定所述辅助光源的调节参数，包括：
分别确定所述均匀性差异和均匀性差异阈值、所述图像边缘数据差异和图像边缘数据差异阈值、所述对比度差异和对比度差异阈值的大小关系；
根据所有所述大小关系，确定需要调节的图像指标；
根据辅助光源参数-图像指标表，确定所述需要调节的图像指标的影响参数，所述影响参数为影响所述需要调节的图像指标的辅助光源参数，所述辅助光源参数-图像指标表表示辅助光源参数与图像指标的对应关系，其中，一个辅助光源参数对应一个或多个图像指标；
所述基于所述图像指标差异，确定所述辅助光源的调节参数，包括：
根据所述辅助光源参数-图像指标表，确定所述影响参数的所有影响图像指标；
将所述影响参数的所有影响图像指标输入神经网络模型，得到所述辅助光源的参数值；
若所述图像指标差异大于图像指标差异阈值，则需要所述该图像指标进行改变，便需要调节该图像指标相应辅助光源参数的参数值，需要调节的图像指标为图像指标差异大于图像指标差异阈值的图像指标，所述辅助光源参数图像指标表表征每个辅助光源参数和相关的图像指标之间的关系，其中所述辅助光源参数和图像指标之间是多对多的交叉影响关系；
在所述根据辅助光源参数-图像指标表，确定所述需要调节的图像指标的影响参数之后，所述基于所述图像指标差异，确定所述辅助光源的调节参数，包括：
根据所述辅助光源参数-图像指标表，确定所述影响参数的所有影响图像指标；
将所述影响参数的所有影响图像指标输入神经网络模型，得到所述辅助光源的参数值，若所述图像指标数据不超过阈值，则确定所述辅助光源参数值；
其中，所述神经网络模型是通过大量的所述图像指标数据和所述图像指标数据相应的辅助光源的参数值训练而成，所述训练样本不包括特异性样本数据，若所述图像指标在一般分析时是用不到的则将所述图像指标进行删除，若所述图像指标为特异性数据，则生成新训练样本。
2.根据权利要求1所述的方法，其特征在于，所述采用待控制视觉检测设备获取待检测构件的拍摄图像，包括：
当所述待检测构件进入所述待控制视觉检测设备的检测区域时，所述辅助光源基于预设参数为所述待检测构件提供照明，所述检测设备对所述待检测构件进行拍摄，获取所述待检测构件的拍摄图像，其中，所述预设参数为预先设定的初始参数或者为上一次检测时的参数。
3.根据权利要求1所述的方法，其特征在于，所述对所述拍摄图像进行图像指标分析，确定所述拍摄图像的所有图像指标数据，包括：
对所述拍摄图像进行灰度处理，确定所述拍摄图像的灰度图像；
根据所述灰度图像计算灰度平均值，其中，所述灰度平均值表示所述灰度图像中所有像素点的灰度值的平均值；
根据所述灰度图像每个像素点的灰度值和所述灰度平均值，计算所述灰度图像的均匀性；
基于预设灰度值对所述灰度图像进行二值化处理，确定所述拍摄图像的二值化图像；
根据所述二值化图像进行图像边缘识别，确定所述拍摄图像的图像边缘数据。
4.根据权利要求3所述的方法，其特征在于，所述对所述拍摄图像进行图像指标分析，确定所述拍摄图像的所有图像指标数据，包括：
获取所述拍摄图像的亮度分布；
根据所述亮度分布，确定所述拍摄图像的对比度。
5.根据权利要求4所述的方法，其特征在于，所述图像指标标准数据包括：标准均匀性、标准图像边缘数据和标准对比度；所述将所述图像指标数据和图像指标标准数据进行比对，确定图像指标差异，包括：
根据所述均匀性和所述标准均匀性，确定均匀性差异；
根据所述图像边缘数据和所述标准图像边缘数据，确定图像边缘数据差异；
根据所述对比度和所述标准对比度，确定对比度差异。
6.一种基于AI的视觉检测光源控制系统，其特征在于，包括：
拍摄模块，采用待控制视觉检测设备获取待检测构件的拍摄图像，其中，所述待控制视觉检测设备包括检测设备和辅助光源，所述待检测构件为被所述待控制视觉检测设备检测的结构件；
图像指标分析模块，对所述拍摄图像进行图像指标分析，确定所述拍摄图像的所有图像指标数据，所述图像指标数据包括均匀性、图像边缘数据、对比度；
比对模块，将所述图像指标数据和图像指标标准数据进行比对，确定图像指标差异，其中，所述图像指标标准数据根据所述待检测构件的标准件预先标定；
调节参数确定模块，基于所述图像指标差异，确定所述辅助光源的调节参数；
调节参数确定模块还具体用于基于图像指标差异，确定辅助光源的调节参数，包括：分别确定均匀性差异和均匀性差异阈值、图像边缘数据差异和图像边缘数据差异阈值、对比度差异和对比度差异阈值的大小关系；根据所有大小关系，确定需要调节的图像指标；根据辅助光源参数-图像指标表，确定需要调节的图像指标的影响参数，影响参数为影响需要调节的图像指标的辅助光源参数，辅助光源参数-图像指标表表示辅助光源参数与图像指标的对应关系，其中，一个辅助光源参数对应一个或多个图像指标；
调节参数确定模块还具体用于在根据辅助光源参数-图像指标表，确定需要调节的图像指标的影响参数之后，基于图像指标差异，确定辅助光源的调节参数，包括：根据辅助光源参数-图像指标表，确定影响参数的所有影响图像指标；将影响参数的所有影响图像指标输入神经网络模型，得到辅助光源的参数值；
若所述图像指标差异大于图像指标差异阈值，则需要所述该图像指标进行改变，便需要调节该图像指标相应辅助光源参数的参数值，需要调节的图像指标为图像指标差异大于图像指标差异阈值的图像指标，所述辅助光源参数图像指标表表征每个辅助光源参数和相关的图像指标之间的关系，其中所述辅助光源参数和图像指标之间是多对多的交叉影响关系；
在所述根据辅助光源参数-图像指标表，确定所述需要调节的图像指标的影响参数之后，所述基于所述图像指标差异，确定所述辅助光源的调节参数，包括：
根据所述辅助光源参数-图像指标表，确定所述影响参数的所有影响图像指标；
将所述影响参数的所有影响图像指标输入神经网络模型，得到所述辅助光源的参数值，若所述图像指标数据不超过阈值，则确定所述辅助光源参数值；
其中，所述神经网络模型是通过大量的所述图像指标数据和所述图像指标数据相应的辅助光源的参数值训练而成，所述训练样本不包括特异性样本数据，若所述图像指标在一般分析时是用不到的则将所述图像指标进行删除，若所述图像指标为特异性数据，则生成新训练样本。
7.一种电子设备，其特征在于，该电子设备包括：
至少一个处理器；
存储器；
至少一个应用程序，其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行，所述至少一个应用程序配置用于：执行权利要求1～5任一项所述的方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序在计算机中执行时，令所述计算机执行权利要求1～5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410096654.2A CN117615484B (zh) | 2024-01-24 | 2024-01-24 | 一种基于ai的视觉检测光源控制方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410096654.2A CN117615484B (zh) | 2024-01-24 | 2024-01-24 | 一种基于ai的视觉检测光源控制方法、系统、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117615484A CN117615484A (zh) | 2024-02-27 |
| CN117615484B true CN117615484B (zh) | 2024-05-03 |
Family
ID=89956543
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410096654.2A Active CN117615484B (zh) | 2024-01-24 | 2024-01-24 | 一种基于ai的视觉检测光源控制方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117615484B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105491271A (zh) * | 2015-11-25 | 2016-04-13 | 英华达（上海）科技有限公司 | 图像采集中进行辅助光源调节的方法及装置 |
| CN110460782A (zh) * | 2019-08-28 | 2019-11-15 | 北京海益同展信息科技有限公司 | 信息采集装置、方法、巡检机器人和存储介质 |
| CN112669394A (zh) * | 2020-12-30 | 2021-04-16 | 凌云光技术股份有限公司 | 一种用于视觉检测系统的自动标定方法 |
| CN113052972A (zh) * | 2021-04-09 | 2021-06-29 | 杭州群核信息技术有限公司 | 一种基于神经网络的灯光光照效果增强的方法、装置、系统和存储介质 |
| CN113936579A (zh) * | 2021-12-17 | 2022-01-14 | 深圳精智达技术股份有限公司 | 一种lcd显示屏闪烁值的测量方法及相关装置 |
| CN114283271A (zh) * | 2021-12-20 | 2022-04-05 | 中国铁建重工集团股份有限公司 | 一种拍摄光照调节方法及拍摄光照调节系统 |
| CN115914616A (zh) * | 2022-10-28 | 2023-04-04 | 歌尔科技有限公司 | 光源点检方法、装置、设备及计算机可读存储介质 |
| CN116839486A (zh) * | 2023-07-04 | 2023-10-03 | 大连理工大学 | 一种基于自适应照明的视觉检测系统 |
| CN117376671A (zh) * | 2023-09-19 | 2024-01-09 | 人工智能与数字经济广东省实验室(深圳) | 无人机图像拍摄方法、装置、无人机和存储介质 |
-
2024
- 2024-01-24 CN CN202410096654.2A patent/CN117615484B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105491271A (zh) * | 2015-11-25 | 2016-04-13 | 英华达（上海）科技有限公司 | 图像采集中进行辅助光源调节的方法及装置 |
| CN110460782A (zh) * | 2019-08-28 | 2019-11-15 | 北京海益同展信息科技有限公司 | 信息采集装置、方法、巡检机器人和存储介质 |
| CN112669394A (zh) * | 2020-12-30 | 2021-04-16 | 凌云光技术股份有限公司 | 一种用于视觉检测系统的自动标定方法 |
| CN113052972A (zh) * | 2021-04-09 | 2021-06-29 | 杭州群核信息技术有限公司 | 一种基于神经网络的灯光光照效果增强的方法、装置、系统和存储介质 |
| CN113936579A (zh) * | 2021-12-17 | 2022-01-14 | 深圳精智达技术股份有限公司 | 一种lcd显示屏闪烁值的测量方法及相关装置 |
| CN114283271A (zh) * | 2021-12-20 | 2022-04-05 | 中国铁建重工集团股份有限公司 | 一种拍摄光照调节方法及拍摄光照调节系统 |
| CN115914616A (zh) * | 2022-10-28 | 2023-04-04 | 歌尔科技有限公司 | 光源点检方法、装置、设备及计算机可读存储介质 |
| CN116839486A (zh) * | 2023-07-04 | 2023-10-03 | 大连理工大学 | 一种基于自适应照明的视觉检测系统 |
| CN117376671A (zh) * | 2023-09-19 | 2024-01-09 | 人工智能与数字经济广东省实验室(深圳) | 无人机图像拍摄方法、装置、无人机和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117615484A (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110660066B (zh) | 网络的训练方法、图像处理方法、网络、终端设备及介质 | |
| CN107941808B (zh) | 基于机器视觉的3d打印成型质量检测系统及方法 | |
| CN111667448B (zh) | 一种图像处理方法、装置及设备 | |
| US8666148B2 (en) | Image adjustment | |
| CN110517265B (zh) | 一种产品表面缺陷的检测方法、装置及存储介质 | |
| CN113421242B (zh) | 基于深度学习的焊点外观质量检测方法、装置及终端 | |
| CN114203087B (zh) | 补偿查找表的配置、补偿方法、装置、设备及存储介质 | |
| CN113240630A (zh) | 散斑图像质量评估方法、装置、终端设备及可读存储介质 | |
| CN111476759B (zh) | 一种屏幕表面检测方法、装置、终端及存储介质 | |
| CN111556311B (zh) | 定焦摄像模组的质量检测方法、装置及计算机存储介质 | |
| CN115060725A (zh) | 一种双圆盘外观检测方法及装置 | |
| CN110335219B (zh) | 一种像素畸变的校正方法、校正装置及终端 | |
| CN117197527A (zh) | 一种液晶显示屏的玻璃基板的缺陷检测分类方法及装置 | |
| Guo et al. | Machine vision-based intelligent manufacturing using a novel dual-template matching: a case study for lithium battery positioning | |
| CN117615484B (zh) | 一种基于ai的视觉检测光源控制方法、系统、设备及介质 | |
| CN107392948B (zh) | 一种分振幅实时偏振成像系统的图像配准方法 | |
| CN116109627B (zh) | 基于迁移学习和小样本学习缺陷检测方法、装置及介质 | |
| CN115690747B (zh) | 车辆盲区检测模型测试方法、装置、电子设备及存储介质 | |
| CN114372941B (zh) | 一种低光照图像增强方法、装置、设备及介质 | |
| Kotyza et al. | Detection of directions in an image as a method for circle detection | |
| CN111325670A (zh) | 一种数据增强方法、装置及电子设备 | |
| CN112165616A (zh) | 一种摄像头模组的测试方法、装置、电子设备及存储介质 | |
| Shen et al. | Design and implementation of PCB detection and classification system based on machine vision | |
| CN117745603B (zh) | 基于线阵扫描设备的产品图像校正方法及设备和存储介质 | |
| CN114913316B (zh) | 工业设备表计识别的图像分类方法、装置、电子设备和存储介质 |
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 |