CN117745699A - 一种缺陷检测方法、装置、电子设备以及存储介质 - Google Patents
一种缺陷检测方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN117745699A CN117745699A CN202311829251.6A CN202311829251A CN117745699A CN 117745699 A CN117745699 A CN 117745699A CN 202311829251 A CN202311829251 A CN 202311829251A CN 117745699 A CN117745699 A CN 117745699A
- Authority
- CN
- China
- Prior art keywords
- filtering
- image
- defect
- gray value
- processing
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 173
- 238000001514 detection method Methods 0.000 title claims abstract description 58
- 238000001914 filtration Methods 0.000 claims abstract description 198
- 238000012545 processing Methods 0.000 claims abstract description 74
- 238000000605 extraction Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims description 48
- 230000008569 process Effects 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 16
- 230000003321 amplification Effects 0.000 claims description 5
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 8
- 230000002950 deficient Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000002194 synthesizing effect Effects 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000003705 background correction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- Image Processing (AREA)
Abstract
本发明公开了一种缺陷检测方法、装置、电子设备以及存储介质,该方法包括:对待检测图像进行至少两种类型的滤波处理,得到至少两个滤波图像;其中,不同类型的滤波处理采用的滤波核尺寸不相同;根据各滤波图像,确定滤波增强图像;对所述滤波增强图像进行缺陷提取,得到缺陷区域。本发明能够实现物体表面浅缺陷的精确检测,减少缺陷误报。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及一种缺陷检测方法、装置、电子设备以及存储介质。
背景技术
缺陷检测在各行各业具有广泛的应用,产品在生产过程中,表面会产生一些微小的瑕疵如孔洞、漏涂等。目前的产品表面的缺陷检测,是通过相机实时抓拍产品图像,将抓拍到的图像上传到检测系统,通过检测系统进行图像处理,例如Blob(Binary largeobject,连通区域)分析,识别缺陷。
对于抓拍到的图像,常规的缺陷区域在成像后会比背景区域的灰度值高或者低,比背景区域的灰度值高的是亮缺陷,比背景区域的灰度值低的是暗缺陷。但是对于一些比较浅的漏涂等缺陷,以亮缺陷为例,成像后可能只比背景区域的像素点灰度值高5-10个灰度值,这类缺陷称为浅缺陷。现有技术中通常采用设置灰度值阈值的方式,筛选缺陷区域,对于浅缺陷,采用调低灰度值阈值的方式进行检出,但是调低灰度值阈值的方式容易造成缺陷误报。
发明内容
本发明提供了一种缺陷检测方法、装置、电子设备以及存储介质,以实现物体表面浅缺陷的精确检测,减少缺陷误报。
第一方面,本发明实施例提供了一种缺陷检测方法,该方法包括:
对待检测图像进行至少两种类型的滤波处理,得到至少两个滤波图像;
其中,不同类型的滤波处理采用的滤波核尺寸不相同;
根据各滤波图像,确定滤波增强图像;
对所述滤波增强图像进行缺陷提取,得到缺陷区域。
第二方面,本发明实施例还提供了一种缺陷检测装置,该装置包括:
滤波处理模块,用于对待检测图像进行至少两种类型的滤波处理,得到至少两个滤波图像;
其中,不同类型的滤波处理采用的滤波核尺寸不相同;
滤波增强模块,用于根据各滤波图像,确定滤波增强图像;
缺陷提取模块,用于对所述滤波增强图像进行缺陷提取,得到缺陷区域。
第三方面,本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明实施例中任一所述的缺陷检测方法。
第四方面,本发明实施例还提供了一种存储计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如本发明实施例中任一所述的缺陷检测方法。
本发明实施例的技术方案,通过对待检测图像进行至少两种不同滤波核尺寸的滤波处理,得到至少两个滤波图像,并对各滤波图像进行处理,得到滤波增强图像,对滤波增强图像进行缺陷提取,得到缺陷区域。解决了现有技术中浅缺陷难以检出的问题,通过不同滤波核尺寸的滤波处理之后,大尺寸滤波核处理之后的滤波图像更接近背景灰度,小尺寸滤波核处理之后的滤波图像会放大缺陷部分的像素灰度值,综合各滤波图像得到的滤波增强图像,缺陷区域会更加明显,背景和噪声会减少,从而实现了浅缺陷的精确检出,减少缺陷误报。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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是本发明实施例一提供的一种缺陷检测方法的流程图;
图2是本发明实施例一提供的一种滤波增强图像的效果示意图;
图3是本发明实施例二提供的一种缺陷检测方法的流程图;
图4是本发明实施例二提供的一种对比度增强的效果示意图;
图5是本发明实施例三提供的一种缺陷检测装置的结构示意图;
图6是本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种缺陷检测方法的流程图,本实施例可适用于对物体表面进行缺陷检测,尤其是浅缺陷检测的情况,该方法可以由缺陷检测装置来执行,该缺陷检测装置可以采用硬件和/或软件的形式实现,该缺陷检测装置可配置于电子设备中,与拍摄装置配合使用,例如面阵相机、线扫相机、3D相机等。
如图1所示,该方法包括:
S110、对待检测图像进行至少两种类型的滤波处理,得到至少两个滤波图像。
其中,待检测图像是拍摄装置对产品进行拍摄后得到的原始图像。具体的,拍摄装置根据设置的频率抓拍产品图像,然后将抓拍得到的产品图像传输至集成了缺陷检测系统的电子设备,缺陷检测系统接收到的产品图像即为待检测图像。为了更加快速的处理图像,还可以在直接在拍摄装置中集成缺陷检测系统,缺陷检测系统直接对拍摄装置抓拍得到的产品图像也即待检测图像进行图像处理,并将缺陷检测结果发送至其他电子设备中进行显示。
滤波处理是指将图像中特定频率成分提取出来或者将特定频率成分衰减,用于改善图像质量,滤波图像是对待检测图像进行滤波处理后得到的图像。不同类型的滤波处理采用的滤波核尺寸不相同,滤波核通常是一个正方形或者矩形的窗口,通过对窗口内的像素点的灰度值进行某种计算从而生成新的灰度值。滤波核的作用是对待检测图像进行平滑、增强或者去躁等,具体的,尺寸较小的滤波核能够更多的保留细节,而尺寸较大的滤波核能够减少噪声,使待检测图像平滑。
在本实施例中,通过采用不同的滤波核尺寸,对待检测图像进行不同的滤波处理,从而分别得到细节增强的滤波图像和减少噪声的滤波图像,便于后续经不同的滤波图像合成滤波增强图像,从而实现浅缺陷的提取和识别。
进一步的,所述滤波处理为以下滤波处理中的一种:均值滤波、中值滤波、最大值滤波以及最小值滤波。
其中,均值滤波是通过对待检测图像的每个像素进行平均来去除噪声,中值滤波是一种非线性的图像滤波处理方法,通过对待检测图像的每个像素点的灰度值进行排序,并选择灰度值中间值来替换该像素点的灰度值来去除噪声。最大值滤波是一种非线性的图像滤波处理方法,通过对待检测图像的每个像素点的灰度值进行排序,并选择灰度值最大值来替换该像素点的灰度值来增强图像的对比度。最小值滤波是一种非线性的图像滤波处理方法,通过对待检测图像的每个像素点的灰度值进行排序,并选择灰度值最小值来替换该像素点的灰度值来增强图像的对比度。
在本实施例中,可以根据实际需要选择任意一种滤波处理方式,优选的,在采用大尺寸滤波核时可以选择均值滤波,以更好的去除噪声,在采用小尺寸滤波核时,可以选择最大值滤波或者最小值滤波,以更多的增强细节。
进一步的,S110又可以包括:
A1、确定第一滤波核尺寸;
A2、确定预先设置的缺陷形状,并根据所述缺陷形状确定第二滤波核尺寸;
其中,所述第一滤波核尺寸大于所述第二滤波核尺寸;
A3、根据所述第一滤波核尺寸对待检测图像进行第一滤波处理,以及,根据所述第二滤波核尺寸对待检测图像进行第二滤波处理。
其中,第一滤波核尺寸是较大的滤波核尺寸,例如,第一滤波核尺寸可以是256×256。同时,可选的,采用大尺寸滤波核可以对待检测图像进行均值滤波处理,具体的,以第一滤波核尺寸为256×256为例,将待检测图像划分为多个256×256的图像区域,对各图像区域,分别计算各像素点的灰度值平均值,将灰度值平均值作为图像区域中各像素点的新灰度值。
在本实施例中,经过大尺寸滤波核的滤波处理,可以有效地减少待检测图像中的噪声和细节,使待检测图像更加平滑,滤波处理之后的滤波图像中,各像素点的灰度值更接近背景灰度值。
其中,缺陷形状可以是长条状、块状、圆形状等,缺陷形状可以根据经验进行设置,也可以根据历史缺陷检测结果的缺陷形状进行确定,本实施例对缺陷形状的具体形式以及确定方式不进行限制。
在本实施例中,第二滤波核尺寸需与缺陷形状相匹配,以更精确的放大缺陷区域的像素点灰度值。具体的,若缺陷形状为长条状,第二滤波核尺寸可以相应的设置为长条状,例如3×11;若缺陷形状为块状,第二滤波核尺寸可以相应的设置为块状,例如5×5。
同时,可选的,采用小尺寸滤波核可以对待检测图像进行最大值滤波处理,具体的,以第二滤波核尺寸为3×11为例,将待检测图像划分为多个3×11的图像区域,对各图像区域,分别确定各像素点的灰度值最大均值,将灰度值最大值作为图像区域中各像素点的新灰度值。
在本实施例中,经过小尺寸滤波核的滤波处理,可以保留待检测图像中的缺陷区域的边缘和细节,经过小尺寸滤波核的滤波处理之后得到的滤波图像中,缺陷区域的像素点灰度值会相应放大。
需要进行说明的是,本实施例中以对待检测图像进行两次不同滤波核尺寸(一次采用较大的滤波核尺寸,一次采用较小的滤波核尺寸)的滤波处理为例进行说明,但是,本实施例对滤波处理的次数不进行限制,还可以对待检测图像进行多次滤波处理,每次滤波处理采用的滤波核尺寸均不相同。
S120、根据各滤波图像,确定滤波增强图像。
其中,滤波增强图像是经各滤波图像进行合成后得到的图像,由于采用不同尺寸的滤波核进行滤波处理后得到的滤波图像,分别具有不用的图像处理效果:平滑、去躁、细节增强等,将不同图像处理效果的滤波图像合成为滤波增强图像,滤波增强图像中,缺陷部分会更加明显,而背景和噪声将减少,从而使浅缺陷的检出更加准确。
进一步的,S120又可以包括:对各滤波图像进行以下处理操作中的一种:相减、相加以及相乘,得到滤波增强图像。
其中,以对待检测图像进行两次滤波处理,分别得到第一滤波图像和第二滤波图像为例,对各滤波图像进行相减,是指第一滤波图像的信息减去第二滤波图像的信息,以提取图像中的缺陷特征、去除噪声等干扰信息。对各滤波图像进行相加,是指将第一滤波图像和第二滤波图像合并为一张图像(也即滤波增强图像),可以增强图像的信息量,增强图像的对比度。对各滤波图像进行相乘,是指将第一滤波图像和第二滤波图像进行乘法运算,可以实现图像的掩膜处理,屏蔽掉图像中的某些部分,获取图像中的感兴趣区域。
本实施例对各滤波图像合成滤波增强图像的具体处理操作不进行限制,可以根据实际需要灵活设置。
可选的,当对待检测图像分别进行大尺寸滤波核的滤波处理和小尺寸滤波核的滤波处理之后,可以将得到的滤波图像相减,得到滤波增强图像。由于大尺寸滤波核滤波处理之后,滤波图像中各像素点的灰度值更接近背景灰度值,小尺寸滤波核的滤波处理之后,滤波图像中缺陷区域的像素点灰度值会相应放大,因此,相减后的滤波增强图像中,缺陷部分会更加明显,背景和噪声被消除掉。
图2提供了一种滤波增强图像的效果示意图,如图2所示,左上的小图为经过256×256滤波核滤波处理后得到的滤波图像,右上的小图为经过3×11滤波核滤波处理后得到的滤波图像,左下的小图为相减后的滤波增强图像,右下的小图为待检测图像。可知,滤波增强图像能够清晰的看到原待检测图像中不太明显的浅缺陷。
S130、对所述滤波增强图像进行缺陷提取,得到缺陷区域。
其中,缺陷提取可以采用Blob提取方式,也可以采用模板比对提取方式,还可以采用在深度网络的基础上训练缺陷提取模型的方式,本实施例对此不进行限制。
具体的,Blob提取方式是指通过像素点的灰度值对滤波增强图像进行连通域分析,并对各连通域进行缺陷分类。模板比对提取方式是指将滤波增强图像与预先设置的标准图像进行比对,以确定滤波增强图像与标准图像之间的差异。缺陷提取模型可以采用标注好缺陷区域的历史图像对CNN(Convolutional Neural Networks,卷积神经网络)网络进行训练得到。
进一步的,本实施例在检出缺陷区域之后,可以进行缺陷报警,还可以对缺陷区域进行严重程度分级,若缺陷较为严重,则可以暂停产品生产或者分析缺陷原因、调整生产参数等。还可以对各待检测图像的缺陷检出情况进行记录,若连续预设数量个待检测图像均检出缺陷区域,则可以暂停产品生产或者分析缺陷原因、调整生产参数等。本实施例对检出缺陷之后的处置措施不进行限制。
本发明实施例的技术方案,通过对待检测图像进行至少两种不同滤波核尺寸的滤波处理,得到至少两个滤波图像,并对各滤波图像进行处理,得到滤波增强图像,对滤波增强图像进行缺陷提取,得到缺陷区域。解决了现有技术中浅缺陷难以检出的问题,通过不同滤波核尺寸的滤波处理之后,大尺寸滤波核处理之后的滤波图像更接近背景灰度,小尺寸滤波核处理之后的滤波图像会放大缺陷部分的像素灰度值,综合各滤波图像得到的滤波增强图像,缺陷区域会更加明显,背景和噪声会减少,从而实现了浅缺陷的精确检出,减少缺陷误报。
实施例二
图3为本发明实施例二提供的一种缺陷检测方法的流程图,本发明实施例在上述实施例的基础上,对滤波处理和得到滤波增强图像的过程进行了进一步的具体化,并加入了待检测图像平场校正的过程以及对滤波增强图像进行对比度增强处理的过程。
如图3所示,该方法包括:
S210、确定待检测图像目标列的各像素点的灰度值峰值。
在本实施例中,由于拍摄装置的原因,拍摄装置抓拍得到的原始图像,也即待检测图像中,通常会出现图像中间区域的灰度值比图像边缘区域的灰度值高很多的情况,如果直接对待检测图像进行滤波处理,之后得到的滤波增强图像进行缺陷检测时容易产生缺陷误报。因此,本实施例中提出了一种灰度值校正的方式,提高待检测图像的整体平整性。
目标列是指待检测图像中的一列或多列,本实施例中既可以对待检测图像中的每列像素点分别进行处理,也可以对待检测图像的总列数进行整除,对整除后的若干列作为一个整体分别进行处理,本实施例对目标列的数量不进行限制。灰度值峰值是指目标列的各像素点中灰度值的最大值。
S220、根据预先设置的目标灰度值和所述灰度值峰值,确定平场系数。
其中,目标灰度值是预先设置的灰度值数值,例如,目标灰度值可以为128,本实施例对目标灰度值的具体数值以及设置方式不进行限制。
具体的,根据目标灰度值和灰度值峰值确定平场系数,可以将目标灰度值除以灰度值峰值,作为平场系数。
S230、将目标列的目标像素点的灰度值与所述平场系数的乘积,作为所述目标像素点更新后的灰度值。
在本实施例中,对目标列的各像素点,将其灰度值与平场系数的乘积作为新的灰度值,这样设置能够使待检测图像的像素点灰度值整体被拉升至目标灰度值附近,从而提升了待检测图像的平整度。
S240、确定第一滤波核尺寸。
S250、确定预先设置的缺陷形状,并根据所述缺陷形状确定第二滤波核尺寸。
S260、根据所述第一滤波核尺寸对待检测图像进行第一滤波处理,以及,根据所述第二滤波核尺寸对待检测图像进行第二滤波处理。
S270、对第一滤波图像和第二滤波图像进行相减,得到滤波增强图像。
分别采用大尺寸滤波核进行滤波处理、采用小尺寸滤波核进行滤波处理,并对滤波图像进行相减得到滤波增强图像,其具体过程已在上述实施例中进行了说明,本实施例在此不再赘述。
S280、对所述滤波增强图像进行对比度增强处理。
其中,对比度增强处理可以通过对滤波增强图像进行增强滤波处理而实现,也可以通过对滤波增强图像进行伽马变换而实现等,本实施例对对比度增强处理的具体实现方式不进行限制。
在本实施例中,对比度增强处理之后的图像,将进一步放大缺陷区域的对比度,尤其是放大面积较小的浅缺陷区域的对比度,从而提高缺陷检出的准确率,防止面积较小的浅缺陷漏检。
进一步的,S280又可以包括:
B1、确定所述滤波增强图像的各像素点的灰度值平均值;
B2、对所述滤波增强图像的目标像素点,通过以下公式确定更新后的灰度值:x'=(x-mean)×factor+x;
其中,x'表示目标像素点更新后的灰度值,x表示目标像素点的原灰度值,mean表示灰度值平均值,factor表示放大系数。
其中,通过上述公式可知,若滤波增强图像中的缺陷为亮缺陷,即缺陷区域的像素点灰度值高于背景区域的像素点灰度值,则像素点的灰度值减去均值后,通常会得到一个正值,在经过放大系数放大后与原灰度值相加作为新的灰度值,则缺陷区域的像素点灰度值会增加,缺陷区域的像素点灰度值与背景区域的像素点灰度值之间的差值将增大,缺陷区域与背景区域之间的对比度将增强。若滤波增强图像中的缺陷为暗缺陷,也即缺陷区域的像素点灰度值低于背景区域的像素点灰度值,则像素点的灰度值减去均值后,通常会得到一个负值,在经过放大系数放大后与原灰度值相加作为新的灰度值,则缺陷区域的像素点灰度值会减少,缺陷区域的像素点灰度值与背景区域的像素点灰度值之间的差值将增大,缺陷区域与背景区域之间的对比度将增强。
图4提供了一种对比度增强的效果示意图,如图4所示,左上的小图为滤波增强图像,右上的小图为对比度增强处理之后的滤波增强图像,两张图像的同一区域经放大后的效果分别为左下和右下,放大后的图像效果可以明显看出,对比度增强处理之后的滤波增强图像中,一些较小的缺陷区域相比于背景区域的对比度会被放大。
S290、对对比度增强处理之后的滤波增强图像进行缺陷提取,得到缺陷区域。
在本实施例中,对比度增强处理之后的滤波增强图像,不仅能够放大原本对比度较低的浅缺陷,还可以将面积较小的浅缺陷的对比度同样放大,提升了缺陷检测能力。基于对比度增强处理之后的滤波增强图像进行缺陷提取,能够实现浅缺陷的精确检出,提高了缺陷检测的准确率,减少了缺陷误报。
进一步的,进行对比度增强处理之后的滤波增强图像中,缺陷区域的灰度值相比于背景区域的灰度值差距将更大,因此,若进行Blob缺陷提取,则可以根据缺陷类型,对缺陷检测的检测阈值进行调整。以缺陷为亮缺陷为例,缺陷检测的检测阈值也可以相应提高,以防止缺陷误报。
本发明实施例的技术方案,通过对待检测图像每一列的像素点的灰度值进行校正,提高了待检测图像的平整度,避免了待检测图像中间区域灰度值偏高、边缘区域灰度值偏低对后续检测造成的误差。通过对待检测图像分别采用大尺寸滤波核和小尺寸滤波核进行滤波处理,并对滤波图像进行相减,使得得到的滤波增强图像中缺陷部分更加明显,背景和噪声消除,从而提高了浅缺陷的检出率,图像噪声减少也会减少缺陷的误报。通过对滤波增强图像进行进一步的对比度增强,提高了滤波增强图像中小面积缺陷区域的对比度,提高了小面积浅缺陷的检出率。
实施例三
图5为本发明实施例三提供的一种缺陷检测装置的结构示意图。如图5所示,该装置包括:滤波处理模块310、滤波增强模块320以及缺陷提取模块330。其中:
滤波处理模块310,用于对待检测图像进行至少两种类型的滤波处理,得到至少两个滤波图像;
其中,不同类型的滤波处理采用的滤波核尺寸不相同;
滤波增强模块320,用于根据各滤波图像,确定滤波增强图像;
缺陷提取模块330,用于对所述滤波增强图像进行缺陷提取,得到缺陷区域。
本发明实施例的技术方案,通过对待检测图像进行至少两种不同滤波核尺寸的滤波处理,得到至少两个滤波图像,并对各滤波图像进行处理,得到滤波增强图像,对滤波增强图像进行缺陷提取,得到缺陷区域。解决了现有技术中浅缺陷难以检出的问题,通过不同滤波核尺寸的滤波处理之后,大尺寸滤波核处理之后的滤波图像更接近背景灰度,小尺寸滤波核处理之后的滤波图像会放大缺陷部分的像素灰度值,综合各滤波图像得到的滤波增强图像,缺陷区域会更加明显,背景和噪声会减少,从而实现了浅缺陷的精确检出,减少缺陷误报。
在上述实施例的基础上,所述装置,还包括:
目标列灰度值峰值确定模块,用于确定待检测图像目标列的各像素点的灰度值峰值;
平场系数确定模块,用于根据预先设置的目标灰度值和所述灰度值峰值,确定平场系数;
灰度值更新模块,用于将目标列的目标像素点的灰度值与所述平场系数的乘积,作为所述目标像素点更新后的灰度值。
在上述实施例的基础上,滤波处理模块310,包括:
第一滤波核尺寸确定单元,用于确定第一滤波核尺寸;
第二滤波核尺寸确定单元,用于确定预先设置的缺陷形状,并根据所述缺陷形状确定第二滤波核尺寸;
其中,所述第一滤波核尺寸大于所述第二滤波核尺寸;
滤波处理单元,用于根据所述第一滤波核尺寸对待检测图像进行第一滤波处理,以及,根据所述第二滤波核尺寸对待检测图像进行第二滤波处理。
在上述实施例的基础上,所述滤波处理为以下滤波处理中的一种:均值滤波、中值滤波、最大值滤波以及最小值滤波。
在上述实施例的基础上,滤波增强模块320,包括:
滤波增强图像确定单元,用于对各滤波图像进行以下处理操作中的一种:相减、相加以及相乘,得到滤波增强图像。
在上述实施例的基础上,所述装置,还包括:
对比度增强模块,用于对所述滤波增强图像进行对比度增强处理;
缺陷提取模块330,包括:
缺陷提取单元,用于对对比度增强处理之后的滤波增强图像进行缺陷提取。
在上述实施例的基础上,对比度增强模块,包括:
灰度值平均值确定单元,用于确定所述滤波增强图像的各像素点的灰度值平均值;
像素点对比度增强单元,用于对所述滤波增强图像的目标像素点,通过以下公式确定更新后的灰度值:x'=(x-mean)×factor+x;
其中,x'表示目标像素点更新后的灰度值,x表示目标像素点的原灰度值,mean表示灰度值平均值,factor表示放大系数。
本发明实施例所提供的缺陷检测装置可执行本发明任意实施例所提供的缺陷检测方法,具备执行方法相应的功能模块和有益效果。
实施例四
图6示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图6所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(中央处理器)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如缺陷检测方法。
在一些实施例中,缺陷检测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的缺陷检测方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行缺陷检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种缺陷检测方法,其特征在于,包括:
对待检测图像进行至少两种类型的滤波处理,得到至少两个滤波图像;
其中,不同类型的滤波处理采用的滤波核尺寸不相同;
根据各滤波图像,确定滤波增强图像;
对所述滤波增强图像进行缺陷提取,得到缺陷区域。
2.根据权利要求1所述的方法,其特征在于,在对待检测图像进行至少两种类型的滤波处理之前,还包括:
确定待检测图像目标列的各像素点的灰度值峰值;
根据预先设置的目标灰度值和所述灰度值峰值,确定平场系数;
将目标列的目标像素点的灰度值与所述平场系数的乘积,作为所述目标像素点更新后的灰度值。
3.根据权利要求1所述的方法,其特征在于,对待检测图像进行至少两种类型的滤波处理,包括:
确定第一滤波核尺寸;
确定预先设置的缺陷形状,并根据所述缺陷形状确定第二滤波核尺寸;
其中,所述第一滤波核尺寸大于所述第二滤波核尺寸;
根据所述第一滤波核尺寸对待检测图像进行第一滤波处理,以及,根据所述第二滤波核尺寸对待检测图像进行第二滤波处理。
4.根据权利要求1或者3所述的方法,其特征在于,所述滤波处理为以下滤波处理中的一种:均值滤波、中值滤波、最大值滤波以及最小值滤波。
5.根据权利要求1所述的方法,其特征在于,根据各滤波图像,确定滤波增强图像,包括:
对各滤波图像进行以下处理操作中的一种:相减、相加以及相乘,得到滤波增强图像。
6.根据权利要求1所述的方法,其特征在于,在确定滤波增强图像之后,还包括:
对所述滤波增强图像进行对比度增强处理;
对所述滤波增强图像进行缺陷提取,包括:
对对比度增强处理之后的滤波增强图像进行缺陷提取。
7.根据权利要求6所述的方法,其特征在于,对所述滤波增强图像进行对比度增强处理,包括:
确定所述滤波增强图像的各像素点的灰度值平均值;
对所述滤波增强图像的目标像素点,通过以下公式确定更新后的灰度值:x'=(x-mean)×factor+x;
其中,x'表示目标像素点更新后的灰度值,x表示目标像素点的原灰度值,mean表示灰度值平均值,factor表示放大系数。
8.一种缺陷检测装置,其特征在于,包括:
滤波处理模块,用于对待检测图像进行至少两种类型的滤波处理,得到至少两个滤波图像;
其中,不同类型的滤波处理采用的滤波核尺寸不相同;
滤波增强模块,用于根据各滤波图像,确定滤波增强图像;
缺陷提取模块,用于对所述滤波增强图像进行缺陷提取,得到缺陷区域。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一所述的缺陷检测方法。
10.一种存储计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311829251.6A CN117745699A (zh) | 2023-12-28 | 2023-12-28 | 一种缺陷检测方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311829251.6A CN117745699A (zh) | 2023-12-28 | 2023-12-28 | 一种缺陷检测方法、装置、电子设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117745699A true CN117745699A (zh) | 2024-03-22 |
Family
ID=90281128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311829251.6A Pending CN117745699A (zh) | 2023-12-28 | 2023-12-28 | 一种缺陷检测方法、装置、电子设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117745699A (zh) |
-
2023
- 2023-12-28 CN CN202311829251.6A patent/CN117745699A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242853B (zh) | 一种基于图像处理的pcb缺陷智能检测方法 | |
CN111598801B (zh) | 一种用于微弱Mura缺陷的识别方法 | |
CN108318773B (zh) | 一种输电导线断股检测方法及系统 | |
CN113569708A (zh) | 活体识别方法、装置、电子设备以及存储介质 | |
CN116152261B (zh) | 一种印刷制品质量的视觉检测系统 | |
CN115908415A (zh) | 基于边缘的缺陷检测方法、装置、设备及存储介质 | |
CN115471476A (zh) | 一种部件缺陷检测方法、装置、设备及介质 | |
CN110766614B (zh) | 一种无线扫描笔的图像预处理方法和系统 | |
CN117745699A (zh) | 一种缺陷检测方法、装置、电子设备以及存储介质 | |
CN115700758A (zh) | 一种精子活性的检测方法、装置、设备及存储介质 | |
CN115018730A (zh) | 一种图像条纹噪声的去除方法、装置、设备及介质 | |
CN113628192B (zh) | 图像模糊检测方法、装置、设备、存储介质及程序产品 | |
Wang et al. | Singular value decomposition combined with wavelet transform for LCD defect detection | |
CN112991308B (zh) | 一种图像质量的确定方法、装置、电子设备和介质 | |
CN116503407B (zh) | 图像中异物区域的检测方法、装置及电子设备 | |
CN114994671B (zh) | 基于雷达图像的目标检测方法、装置、设备及介质 | |
CN117934897A (zh) | 一种设备异常检测方法、装置、设备以及存储介质 | |
CN117745701A (zh) | 一种缺陷检测方法、装置、电子设备以及存储介质 | |
CN117372408A (zh) | 一种设备检测方法、装置、设备及存储介质 | |
CN117275006A (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN117764964A (zh) | 一种交叉划痕处理方法、装置、电子设备及存储介质 | |
CN115147906A (zh) | 一种特征提取方法、装置、设备及存储介质 | |
CN117593780A (zh) | 一种皱纹深度指数确定方法、装置、电子设备及存储介质 | |
CN117764961A (zh) | 一种断开划痕连接处理方法、装置、电子设备及存储介质 | |
Guo et al. | An Effective Method for Defects Detection in Radiographic Images of Welds Based on Edge Detection and Morphology |
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 |