CN117745701A - 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
- CN117745701A CN117745701A CN202311850816.9A CN202311850816A CN117745701A CN 117745701 A CN117745701 A CN 117745701A CN 202311850816 A CN202311850816 A CN 202311850816A CN 117745701 A CN117745701 A CN 117745701A
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- value
- evaluation value
- determining
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 189
- 230000007547 defect Effects 0.000 title claims abstract description 102
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 118
- 238000000034 method Methods 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 16
- 230000003993 interaction Effects 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000001035 drying Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 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
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000032798 delamination Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000012983 electrochemical energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012634 optical imaging Methods 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
- 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 Analysis (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:根据待检测图像中各像素点的灰度值,确定所述待检测图像的图像背景评价值;其中,所述图像背景评价值用于表示待检测图像的背景复杂程度;确定与所述图像背景评价值匹配的检测阈值;根据所述检测阈值,对所述待检测图像进行缺陷检测。本发明能够实现自动调整缺陷检测的检测阈值,从而提高缺陷检测的准确性,减少缺陷误报和漏检。
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
随着计算机视觉技术的发展,通过相机对检测对象进行抓拍,并对抓拍到的图像进行图像处理,例如Blob(Binary large object,连通区域)分析,采用设置像素灰度值的检测阈值的方式,筛选缺陷区域,识别得到检测对象表面缺陷,这种缺陷检测方式已经在各行各业中都得到了广泛应用。
在电化学储能行业,锂电池的干法工艺隔膜在生产过程中会不可避免的出现一些晶点、脱层、针孔等缺陷。干法工艺隔膜由于其工艺本身的特性,即使是厚度相同的干法工艺隔膜,在相机成像后也可能会呈现不同严重程度的背景云纹。图1提供了一种同一卷料的干法工艺隔膜的不同成像效果的示意图,如图1所示,从上至下分别为同一卷料的干法工艺隔膜的五种成像效果,五种成像效果中背景云纹的严重程度均不相同。诸如干法工艺隔膜这类型相机成像后,背景干扰程度不同的检测对象,如果仍采用现有技术中的缺陷检测方式,采用预先设置好的像素灰度值的检测阈值,可能会造成缺陷的误报或者漏检。
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,以实现自动调整缺陷检测的检测阈值,从而提高缺陷检测的准确性,减少缺陷误报和漏检。
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:
根据待检测图像中各像素点的灰度值,确定所述待检测图像的图像背景评价值;
其中,所述图像背景评价值用于表示待检测图像的背景复杂程度;
确定与所述图像背景评价值匹配的检测阈值;
根据所述检测阈值,对所述待检测图像进行缺陷检测。
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:
图像背景评价值确定模块,用于根据待检测图像中各像素点的灰度值,确定所述待检测图像的图像背景评价值;
其中,所述图像背景评价值用于表示待检测图像的背景复杂程度;
检测阈值确定模块,用于确定与所述图像背景评价值匹配的检测阈值;
缺陷检测模块,用于根据所述检测阈值,对所述待检测图像进行缺陷检测。
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,通过待检测图像中各像素点的灰度值,确定待检测图像的图像背景评价值,图像背景评价值用于表示待检测图像的背景复杂程度,根据与图像背景评价值匹配的检测阈值,进行待检测图像的缺陷检测。解决了现有技术中采用预先设置好的像素灰度值的检测阈值进行缺陷检测的方式,对于背景干扰程度不同的物体容易造成缺陷的误报或者漏检的问题,实现了检测阈值的自动调整,从而提高了缺陷检测的准确性,减少了缺陷误报和漏检。
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是本发明背景技术中提供的同一卷料的干法工艺隔膜的不同成像效果的示意图;
图2是本发明实施例一提供的一种缺陷检测方法的流程图;
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是本发明实施例三提供的一种缺陷检测装置的结构示意图;
图5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2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背景复杂程度不同的检测对象进行缺陷检测的情况,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,并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2所示,该方法包括:
S110、根据待检测图像中各像素点的灰度值,确定所述待检测图像的图像背景评价值。
其中,待检测图像是拍摄装置对检测对象进行拍摄后得到的原始图像,尤其的,本实施例可以适用于背景复杂程度不同的检测对象。具体的,拍摄装置根据设置的频率抓拍检测对象图像,然后将抓拍得到的检测对象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检测对象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检测对象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。
其中,图像背景评价值用于表示待检测图像的背景复杂程度。图像背景评价值可以通过能够表示待检测图像的各像素点的灰度值与灰度值均值之间的偏离程度的参数进行表示,例如,可以通过待检测图像的各像素点的灰度值标准差的平均值,或者灰度值方差的平均值进行表示,本实施例对图像背景评价值的具体表现形式不进行限制。
在本实施例中,通过图像背景评价值对待检测图像中各像素点的灰度值的分布情况进行表示,实现了对待检测图像的背景复杂程度的定量表示。
进一步的,S110又可以包括:
A1、确定待检测图像的灰度值平均值;
A2、根据待检测图像中各像素点的灰度值和待检测图像的灰度值平均值,确定待检测图像的标准差或者方差;
A3、根据待检测图像的标准差或者方差,确定所述待检测图像的图像背景评价值。
其中,待检测图像的灰度值平均值,是指待检测图像中各像素点的灰度值的平均值,可以通过对各像素点的灰度值进行求和,并将求得的和除以像素点数量而得到。
标准差衡量的是每个像素点的灰度值与待检测图像的灰度值平均值之间的差异程度,较大的标准差表示各像素点的灰度值更加分散,较小的标准差表示各像素点的灰度值更加集中。标准差是方差的平方根,标准差和方差均可以用于表示待检测图像中各像素点的灰度值的离散程度。本实施例对标准差和方差的具体计算公式不进行赘述。
在本实施例中,即可以直接将待检测图像的标准差或者方差作为图像背景评价值,也可以预先设置不同的标准差区间或者方差区间对应的图像背景评价值,根据待检测图像的标准差所在的标准差区间,或者待检测图像的方差所在的方差区间,确定对应的图像背景评价值,标准差或者方差与图像背景评价值之间呈正比,本实施例对根据待检测图像的标准差或者方差确定图像背景评价值的具体方式不进行限制。
在本实施例中,标准差或者方差越大,表明每个像素点的灰度值与灰度值平均值之间的偏离越大,对应的待检测图像的图像背景的复杂程度越高。
进一步的,A1又可以包括:确定与待检测图像匹配的积分图,并根据所述积分图,确定待检测图像的灰度值平均值。
其中,积分图是指将待检测图像视为一个矩形,矩形中各像素点的积分值是以待检测图像左上角的像素点为左上角顶点,以该像素点为右下角顶点的矩形中包含的各像素点的灰度值之和。
在本实施例中,确定得到待检测图像的积分图之后,根据积分图待检测图像的灰度值平均值,可以加速计算过程,提高计算效率。
进一步的,S110又可以包括:若确定满足预设时间间隔条件,或者,接收到检测阈值更新指令,则根据待检测图像中各像素点的灰度值,确定所述待检测图像的图像背景评价值。
在本实施例中,当检测对象的背景复杂程度不同时,由于拍摄装置抓拍的频率一般较高,因此并不意味着相邻两个待检测图像的图像背景评价值之间会存在较大差距。因此,在一个具体的示例中,可以每隔预设时间间隔,对当前获取的待检测图像确定图像背景评价值,从而根据图像背景评价值更新检测阈值;在另一个具体的示例中,还可以响应于用户通过用户交互界面等方式发送的检测阈值更新指令,对当前获取的待检测图像确定图像背景评价值,从而根据图像背景评价值更新检测阈值;在又一个具体的事例中,还可以实时统计检测对象的已检测长度,当已检测长度大于或者等于预设长度阈值时,对当前获取的待检测图像确定图像背景评价值,从而根据图像背景评价值更新检测阈值,同时对已检测长度进行清零处理。
在本实施例中,设置计算待检测图像的图像背景评价值以及根据图像背景评价值进行检测阈值更新的前置条件,能够在保证缺陷检测结果准确性的同时,节省计算资源。
S120、确定与所述图像背景评价值匹配的检测阈值。
其中,当通过Blob分析的方式进行缺陷检测时,检测阈值可以是指预先设置的像素点灰度值的阈值;当通过模板比对的方式进行缺陷检测时,也即将待检测图像与预先设置的标准图像进行比对,确定图像差异信息时,检测阈值可以是指预先设置的相似度的阈值;当通过基于深度学习模型训练得到的缺陷提取模型进行缺陷检测时,也即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)网络等进行训练得到缺陷提取模型,将待检测图像输入至缺陷提取模型,得到缺陷提取模型输出的缺陷检测结果时,检测阈值可以是指缺陷提取模型的模型参数,本实施例对检测阈值的具体表现形式不进行限制。
在本实施例中,由于不同的图像背景评价值表示不同的背景复杂程度,图像背景评价值越高,待检测图像的背景复杂程度越高,因此,对于不同的图像背景评价值设置不同的检测阈值,以使不同的背景复杂程度时均具有良好的缺陷检出准确率和较低的缺陷误报概率。
进一步的,S120又可以包括:根据预先设置的图像背景评价值区间与检测阈值之间的映射关系,确定所述图像背景评价值对应的目标图像背景评价值区间,并将所述目标图像背景评价值区间对应的检测阈值作为与所述图像背景评价值匹配的检测阈值。
在本实施例中,可以预先设置不同的图像背景评价值区间对应的检测阈值,例如,图像背景评价值区间可以设置为[0,3]、[4,6]、[7,9]以及10及以上,表示图像的背景复杂程度为轻微、较轻、较重以及严重,不同的图像背景评价值区间分别设置对应的检测阈值。
可以理解的,上述仅为图像背景评价值与检测阈值之间对应关系的示例说明,还可以预先设置不同的图像背景评价值与检测阈值之间的映射关系,在计算得到待检测图像的图像背景评价值之后,查找与待检测图像的图像背景评价值最接近的预先设置的图像背景评价值,将其对应的检测阈值作为待检测图像的检测阈值。
进一步的,若确定不存在与所述图像背景评价值匹配的检测阈值,则根据用户交互界面输入的检测阈值,对所述待检测图像进行缺陷检测;根据用户交互界面输入的检测阈值,对图像背景评价值区间与检测阈值之间的映射关系进行更新。
在本实施例中,若不存在与待检测图像的图像背景评价值匹配的检测阈值,则可以进行检测阈值确认提示,并响应于用户交互界面输入的检测阈值,确定待检测图像的检测阈值。同时,根据该检测阈值更新图像背景评价值区间与检测阈值之间的映射关系。这样设置可以使得之后再检测时,若计算得到相同或者数值接近的图像背景评价值时,可以参考该检测阈值进行缺陷检测的参数调整。
S130、根据所述检测阈值,对所述待检测图像进行缺陷检测。
在本实施例中,通过图像背景评价值对待检测图像的背景复杂程度进行定量表示,并对于不同的图像背景评价值分别确定对应的检测阈值,实现了不同背景复杂程度的待检测图像的检测阈值自动更新,提高了缺陷检测的准确性和适用性。
本发明实施例的技术方案,通过待检测图像中各像素点的灰度值,确定待检测图像的图像背景评价值,图像背景评价值用于表示待检测图像的背景复杂程度,根据与图像背景评价值匹配的检测阈值,进行待检测图像的缺陷检测。解决了现有技术中采用预先设置好的像素灰度值的检测阈值进行缺陷检测的方式,对于背景干扰程度不同的物体容易造成缺陷的误报或者漏检的问题,实现了检测阈值的自动调整,从而提高了缺陷检测的准确性,减少了缺陷误报和漏检。
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,对确定待检测图像的图像背景评价值的过程和确定与图像背景评价值匹配的检测阈值的过程进行了进一步的具体化,并加入了对待检测图像进行平场校正的过程。
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平均值。
在本实施例中,由于拍摄装置参数或者光源灯原因,拍摄装置抓拍得到的待检测图像中,通常会出现图像整体不均匀以及噪声等状况,从而使确定图像背景评价值时受到干扰。同时,拍摄装置对于检测对象进行抓拍时,通常是拍摄装置位置固定,检测对象通过传送带进行传送,经过拍摄装置的成像区域时,拍摄装置对检测对象进行抓拍,但是检测对象在传送带传送的过程中会产生一定的抖动,导致拍摄装置光学成像后会产生一定的噪声。上述原因容易导致缺陷检测时产生缺陷误报,因此,本实施例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,避免了拍摄装置参数、光源以及检测对象抖动等原因造成的图像噪声对后续图像背景评价值计算造成的误差,从而避免缺陷误报。
其中,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。灰度值平均值可以通过目标列的各像素点的灰度值之和除以目标列的像素点数量进行计算。
S220、根据预先设置的目标灰度值和所述灰度值平均值,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平均值确定平场系数,可以将目标灰度值除以灰度值平均值,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、确定待检测图像的灰度值平均值。
S250、根据待检测图像中各像素点的灰度值和待检测图像的灰度值平均值,确定待检测图像的标准差。
S260、根据待检测图像的标准差,确定所述待检测图像的图像背景评价值。
本实施例中以将待检测图像的标准差作为图像背景评价值为例,对确定图像背景评价值的方式进行说明,上述实施例中已对确定待检测图像的灰度值平均值的方式、确定待检测图像的标准差的方式进行了说明,本实施例在此不再赘述。
S270、根据预先设置的图像背景评价值区间与检测阈值之间的映射关系,确定所述图像背景评价值对应的目标图像背景评价值区间。
S280、将所述目标图像背景评价值区间对应的检测阈值作为与所述图像背景评价值匹配的检测阈值。
上述实施例中已对确定图像背景评价值对应的检测阈值的方式进行了说明,本实施例在此不再赘述。
S290、根据所述检测阈值,对所述待检测图像进行缺陷检测。
本发明实施例的技术方案,通过对待检测图像的各列的像素点计算灰度值均值,根据目标灰度值和灰度值均值计算平场系数,根据平场系数对各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,避免了拍摄装置参数、光源以及检测对象抖动等原因造成的图像噪声对后续图像背景评价值计算造成的误差,从而减少了缺陷误报。通过计算待检测图像的标准差,表示待检测图像的背景复杂程度,并确定对应的检测阈值,实现了检测阈值的自动调整。根据更适合待检测图像的背景复杂程度的检测阈值进行缺陷检测,提高了缺陷检测的准确性,减少了缺陷误报和漏检。
实施例三
图4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4所示,该装置包括:图像背景评价值确定模块310、检测阈值确定模块320以及缺陷检测模块330。其中:
图像背景评价值确定模块310,用于根据待检测图像中各像素点的灰度值,确定所述待检测图像的图像背景评价值;
其中,所述图像背景评价值用于表示待检测图像的背景复杂程度;
检测阈值确定模块320,用于确定与所述图像背景评价值匹配的检测阈值;
缺陷检测模块330,用于根据所述检测阈值,对所述待检测图像进行缺陷检测。
本发明实施例的技术方案,通过待检测图像中各像素点的灰度值,确定待检测图像的图像背景评价值,图像背景评价值用于表示待检测图像的背景复杂程度,根据与图像背景评价值匹配的检测阈值,进行待检测图像的缺陷检测。解决了现有技术中采用预先设置好的像素灰度值的检测阈值进行缺陷检测的方式,对于背景干扰程度不同的物体容易造成缺陷的误报或者漏检的问题,实现了检测阈值的自动调整,从而提高了缺陷检测的准确性,减少了缺陷误报和漏检。
在上述实施例的基础上,所述装置,还包括:
目标列灰度值平均值确定模块,用于确定待检测图像目标列的各像素点的灰度值平均值;
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平均值,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,图像背景评价值确定模块310,包括:
待检测图像灰度值平均值确定单元,用于确定待检测图像的灰度值平均值;
标准差或者方差计算单元,用于根据待检测图像中各像素点的灰度值和待检测图像的灰度值平均值,确定待检测图像的标准差或者方差;
图像背景评价值确定单元,用于根据待检测图像的标准差或者方差,确定所述待检测图像的图像背景评价值。
在上述实施例的基础上,待检测图像灰度值平均值确定单元,具体用于:
确定与待检测图像匹配的积分图,并根据所述积分图,确定待检测图像的灰度值平均值。
在上述实施例的基础上,检测阈值确定模块320,包括:
目标图像背景评价值区间确定单元,用于根据预先设置的图像背景评价值区间与检测阈值之间的映射关系,确定所述图像背景评价值对应的目标图像背景评价值区间;
检测阈值确定单元,用于将所述目标图像背景评价值区间对应的检测阈值作为与所述图像背景评价值匹配的检测阈值。
在上述实施例的基础上,所述装置,还包括:
检测阈值获取模块,用于若确定不存在与所述图像背景评价值匹配的检测阈值,则根据用户交互界面输入的检测阈值,对所述待检测图像进行缺陷检测;
映射关系更新模块,用于根据用户交互界面输入的检测阈值,对图像背景评价值区间与检测阈值之间的映射关系进行更新。
在上述实施例的基础上,图像背景评价值确定模块310,包括:
图像背景评价值确定单元,用于若确定满足预设时间间隔条件,或者,接收到检测阈值更新指令,则根据待检测图像中各像素点的灰度值,确定所述待检测图像的图像背景评价值。
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5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5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:
根据待检测图像中各像素点的灰度值,确定所述待检测图像的图像背景评价值;
其中,所述图像背景评价值用于表示待检测图像的背景复杂程度;
确定与所述图像背景评价值匹配的检测阈值;
根据所述检测阈值,对所述待检测图像进行缺陷检测。
2.根据权利要求1所述的方法,其特征在于,在根据待检测图像中各像素点的灰度值,确定所述待检测图像的图像背景评价值之前,还包括:
确定待检测图像目标列的各像素点的灰度值平均值;
根据预先设置的目标灰度值和所述灰度值平均值,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,根据待检测图像中各像素点的灰度值,确定所述待检测图像的图像背景评价值,包括:
确定待检测图像的灰度值平均值;
根据待检测图像中各像素点的灰度值和待检测图像的灰度值平均值,确定待检测图像的标准差或者方差;
根据待检测图像的标准差或者方差,确定所述待检测图像的图像背景评价值。
4.根据权利要求3所述的方法,其特征在于,确定待检测图像的灰度值平均值,包括:
确定与待检测图像匹配的积分图,并根据所述积分图,确定待检测图像的灰度值平均值。
5.根据权利要求1所述的方法,其特征在于,确定与所述图像背景评价值匹配的检测阈值,包括:
根据预先设置的图像背景评价值区间与检测阈值之间的映射关系,确定所述图像背景评价值对应的目标图像背景评价值区间;
将所述目标图像背景评价值区间对应的检测阈值作为与所述图像背景评价值匹配的检测阈值。
6.根据权利要求5所述的方法,其特征在于,所述方法,还包括:
若确定不存在与所述图像背景评价值匹配的检测阈值,则根据用户交互界面输入的检测阈值,对所述待检测图像进行缺陷检测;
根据用户交互界面输入的检测阈值,对图像背景评价值区间与检测阈值之间的映射关系进行更新。
7.根据权利要求1所述的方法,其特征在于,根据待检测图像中各像素点的灰度值,确定所述待检测图像的图像背景评价值,包括:
若确定满足预设时间间隔条件,或者,接收到检测阈值更新指令,则根据待检测图像中各像素点的灰度值,确定所述待检测图像的图像背景评价值。
8.一种缺陷检测装置,其特征在于,包括:
图像背景评价值确定模块,用于根据待检测图像中各像素点的灰度值,确定所述待检测图像的图像背景评价值;
其中,所述图像背景评价值用于表示待检测图像的背景复杂程度;
检测阈值确定模块,用于确定与所述图像背景评价值匹配的检测阈值;
缺陷检测模块,用于根据所述检测阈值,对所述待检测图像进行缺陷检测。
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 |
---|---|---|---|
CN202311850816.9A CN117745701A (zh) | 2023-12-29 | 2023-12-29 | 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 |
---|---|---|---|
CN202311850816.9A CN117745701A (zh) | 2023-12-29 | 2023-12-29 | 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 |
---|---|
CN117745701A true CN117745701A (zh) | 2024-03-22 |
Family
ID=90279482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311850816.9A Pending CN117745701A (zh) | 2023-12-29 | 2023-12-29 | 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) | CN117745701A (zh) |
-
2023
- 2023-12-29 CN CN202311850816.9A patent/CN117745701A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116952958B (zh) | 缺陷检测方法、装置、电子设备及存储介质 | |
CN115272291A (zh) | 一种贴膜的缺陷检测方法、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 | |
CN111050027B (zh) | 镜头畸变补偿方法、装置、设备和存储介质 | |
CN116245865A (zh) | 一种图像质量的检测方法、装置、电子设备及存储介质 | |
CN115700758A (zh) | 一种精子活性的检测方法、装置、设备及存储介质 | |
CN117745701A (zh) | 一种缺陷检测方法、装置、电子设备以及存储介质 | |
CN116668843A (zh) | 一种拍摄状态的切换方法、装置、电子设备以及存储介质 | |
CN115358992A (zh) | 一种光斑检测方法、装置、电子设备以及存储介质 | |
CN116952166B (zh) | 汽车门把手总成的零件检测方法、装置、设备及介质 | |
CN116258714B (zh) | 一种缺陷识别方法、装置、电子设备和存储介质 | |
CN117689660B (zh) | 基于机器视觉的保温杯温度质检方法 | |
CN115953723B (zh) | 一种静帧检测方法、装置、电子设备和存储介质 | |
CN115984282B (zh) | 一种氨纶产品检测方法、装置、设备及存储介质 | |
CN117808848B (zh) | 一种识别跟踪方法、装置、电子设备及存储介质 | |
CN118037683A (zh) | 一种极片缺陷确定方法、装置、设备及存储介质 | |
CN116682124A (zh) | 一种数据录入方法、装置、设备及存储介质 | |
CN117808899A (zh) | 一种肤色检测方法、装置、设备及存储介质 | |
CN117745699A (zh) | 一种缺陷检测方法、装置、电子设备以及存储介质 | |
CN117333445A (zh) | 生理图像分析方法、装置、电子设备及存储介质 | |
CN114757845A (zh) | 基于人脸识别的光线调节方法、装置、电子设备及介质 | |
CN116580218A (zh) | 一种控制方法、装置、设备及存储介质 | |
CN117969546A (zh) | 一种膜类材料的成像方法、装置、电子设备及存储介质 | |
CN117790679A (zh) | 一种卷绕电池单边料极片模切阶段的划分方法和装置 | |
CN118014971A (zh) | 光伏组件的表面缺陷检测方法、装置、设备及存储介质 |
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 |