CN117830319A - 基于图像处理的电源适配器产品检测方法 - Google Patents
基于图像处理的电源适配器产品检测方法 Download PDFInfo
- Publication number
- CN117830319A CN117830319A CN202410250852.XA CN202410250852A CN117830319A CN 117830319 A CN117830319 A CN 117830319A CN 202410250852 A CN202410250852 A CN 202410250852A CN 117830319 A CN117830319 A CN 117830319A
- Authority
- CN
- China
- Prior art keywords
- adapter
- image
- gray
- value
- region
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 51
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 72
- 230000011218 segmentation Effects 0.000 claims description 78
- 238000000034 method Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 12
- 238000005192 partition Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000012216 screening Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,更具体地,本发明涉及基于图像处理的电源适配器产品检测方法包括:获得包括至少一个适配器区域的适配器图像,以及包括一个标准区域的标准图像;根据适配器区域构建第一灰度依赖矩阵,并根据标准区域计算第二灰度依赖矩阵;根据第一灰度依赖矩阵和第二灰度依赖矩阵计算第一损坏度指数;将适配器区域分割为外壳和一对插脚;计算根据一对插脚区域的像素值计算第二损坏度指数;比较第一损坏度指数与第一阈值的大小,以及比较第二损坏度指数与第二阈值的大小,并根据比较结果确定适配器是否发生损坏。本发明通过外壳和插脚特征确定二者的位置区域,并分别判断二者是否损坏。
Description
技术领域
本发明一般地涉及图像处理技术领域。更具体地,本发明涉及基于图像处理的电源适配器产品检测方法。
背景技术
目前在电源适配器的生产流水线上电源适配器在流水线中受到不同来源的伤害,例如机械臂磨损力度数值缺失、人工环节出现错误安装等,导致电源适配器的外观的损伤,因此需要通过人工判断或者图像处理将发生损伤的电源适配器筛选出来。而人工长期处于重复工作,当人工疲劳时,容易出现漏筛,导致品控下降。现有通过图像处理筛选电源适配器的方法通常是:图像处理技术提取电源适配器图像的高频和低频信息,然后分析这些信息以进行电源适配器表面质量的评估。但是,电源适配器所处的背景环境可能会对图像处理技术提取高频和低频信息造成干扰,从而降低质量评估的准确性。再者,由于电源适配器在被拍摄时的姿态不同,其表面接受的光可能也不同,电源适配器图像的亮度、对比度等特征会发生变化,也会对高频和低频信息提取造成一定的影响,从而使检测电源适配器是否发生故障的准确度降低。
发明内容
为解决上述通过人工检测或图像处理检测电源适配器表面是否发生损伤时,检测的准确率可能不高,从而导致生产线上生产的电源适配器品控下降的问题,本发明提出基于图像处理的电源适配器产品检测方法。
为此,本发明在如下的方面提供方案。
本发明提出基于图像处理的电源适配器产品检测方法,该方法包括:获得包括至少一个适配器区域的适配器图像,以及包括一个标准区域的标准图像,其中,各适配器区域对应一个待检测的适配器,所述标准图像为包括一个完好的标准适配器的图像,所述标准区域为标准适配器的图像中标准适配器的区域;根据所述适配器区域构建第一灰度依赖矩阵W 0,以及根据所述标准区域构建第二灰度依赖矩阵W 1,其中,所述第一灰度依赖矩阵W 0与所述第二灰度依赖矩阵W 1的行数和列数均相等;根据所述第一灰度依赖矩阵W 0和所述第二灰度依赖矩阵W 1计算适配器的第一损坏度指数r 1:
。
其中,exp为以自然底数e为底的指数函数;根据像素值对所述适配器区域的像素进行阈值分割,从而获得所述适配器区域中一对插脚区域的目标像素值;根据所述目标像素值计算适配器的一对插脚的第二损坏度指数r 2:
。
其中,为一对插脚区域中的一个插脚区域中边缘像素值集合中的第n个像素点的像素值,/>为一对插脚区域中的另一个插脚区域中边缘像素值集合中的第n个像素点的像素值,/>为一对插脚区域中的一个插脚区域中边缘像素值集合中的第n+1个像素点的像素值,/>为一对插脚区域中的另一个插脚区域中边缘像素值集合中的第n+1个像素点的像素值,n为累加起点,m为一对插脚区域中边缘像素值集合的个数;响应于第一损坏度指数r 1小于第一阈值R 1或第二损坏度指数r 2大于第二阈值R 2,确定适配器存在损坏;响应于第一损坏度指数r 1不小于第一阈值R 1且第二损坏度指数r 2不大于第二阈值R 2,确定适配器不存在损坏。
在一个实施例中,获得包括至少一个适配器区域的适配器图像,以及包括一个标准区域的标准图像包括:获得包括待检测的适配器的第一灰度图像,以及完好的标准适配器的第二灰度图像;将所述第一灰度图像投入适配器分割模型,得到第一分割图像;将第一分割图像与第一灰度图像相乘,得到所述适配器图像;将所述第二灰度图像投入适配器分割模型,得到第二分割图像;将第二分割图像与第二灰度图像相乘,得到所述标准图像。
在一个实施例中,获得包括待检测的适配器的第一灰度图像,以及完好的标准适配器的第二灰度图像包括:获得待检测的适配器的图像;将待检测的适配器的图像进行灰度处理,得到所述第一灰度图像;获得带有一个完好的标准适配器的图像;对所述标准适配器的图像进行灰度处理,得到所述第二灰度图像。
在一个实施例中,还包括构建适配器分割模型:采集多个包含适配器的训练图像,并标记各所述训练图像中适配器的区域;构建语义分割模型;将所述训练图像进行灰度处理,并将灰度处理后的所述训练图像投入所述语义分割模型;构建损失函数,并更新所述语义分割模型的参数;响应于损失取得最小值,得到适配器分割模型。
在一个实施例中,所述损失函数为均方差损失函数。
在一个实施例中,根据所述适配器区域构建第一灰度依赖矩阵W 0,以及根据所述标准区域构建第二灰度依赖矩阵W 1包括:获得适配器区域中各像素的第一灰度值,并根据第一灰度值构建第一指示矩阵;根据所述第一指示矩阵构建所述第一灰度依赖矩阵W 0;获得标准区域中各像素的第二灰度值,并根据第二灰度值构建第二指示矩阵;根据所述第二指示矩阵构建所述第二灰度依赖矩阵W 1。
在一个实施例中,获得适配器区域中各像素的第一灰度值,并根据第一灰度值构建第一指示矩阵包括:设置第一二维数组,其中,所述第一二维数组为空的二维数组,且其用于保存所述第一指示矩阵;遍历适配器区域中的各像素,获得各像素的第一灰度值;将第一灰度值保存到第一二维数组中的对应位置,得到所述第一指示矩阵。
在一个实施例中,获得标准区域中各像素的第二灰度值,并根据第二灰度值构建第二指示矩阵包括:设置第二二维数组,其中,所述第二二维数组为空的二维数组,且其用于保存所述第二指示矩阵;遍历标准区域中的各像素,获得各像素的第二灰度值;将第二灰度值保存到第二二维数组中的对应位置,得到所述第二指示矩阵。
在一个实施例中,对适配器图像进行阈值分割,获得外壳的像素值和插脚的像素值包括:设定一个分割阈值,并根据所述分割阈值,将适配器图像中像素的像素值分割为第一类像素值和第二类像素值;计算所述第一类像素值和所述第二类像素值的分割响应值u:
。
其中,u为分割响应值,H 1为适配器图像中适配器区域的第一类像素值,H 2为适配器图像中适配器区域的第二类像素值,为第一类像素值所占适配器区域中所有像素值的比值,/>为第二类像素值所占适配器区域中所有像素值的比值,mean为均值计算函数,STD为标准差计算函数;更新所述分割阈值,并计算所述分割阈值更新后的所述分割响应值u;响应于分割响应值u取得最大值,将像素值个数少的一个类确定为所述一对插脚区域的像素值,得到所述一对插脚区域的像素值。
在一个实施例中,更新所述分割阈值包括:响应于所述分割阈值的初始值为0,将所述分割阈值逐步增加至适配器图像像素的像素值中的最大值,其中,各次所述分割阈值更新,使得分割阈值的增加1;响应于所述分割阈值的初始值为适配器图像中像素的像素值的最大值,将所述分割阈值逐步减小至0,其中,各次所述分割阈值更新,使得分割阈值的减小1。
本发明的有益效果:
本发明根据适配器外壳的特点进行外观的损坏检测,再根据适配器插脚在图像中像素值的特殊性,确定插脚像素值的范围,且该范围可以在周围光线发生变化时区分出所有插脚的位置区域,又依据插脚在图像中的特殊形状,确定插脚是否存在损坏,依据外观和插脚的损坏指数最终得到该适配器的损坏判断。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1是根据本发明的实施例的基于图像处理的电源适配器产品检测方法的步骤流程图;
图2是根据本发明的实施例的步骤S1的流程图;
图3是根据本发明的实施例的步骤S101的流程图;
图4是根据本发明的实施例的步骤S2的流程图;
图5是根据本发明的实施例的步骤S4的流程图。
具体实施方式
下面将结合本发明的实施例中的附图,对本发明的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发明一部分实施例,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,都属于本发明保护的范围。
下面结合附图来详细描述本发明的具体实施方式。
图1是示意性示出根据本发明的实施例的基于图像处理的电源适配器产品检测方法的步骤流程图。
如图1所示,基于图像处理的电源适配器产品检测方法包括步骤S1至步骤S7。
步骤S1:获得包括至少一个适配器区域的适配器图像,以及包括一个标准区域的标准图像。
其中,各适配器区域对应一个待检测的适配器,所述标准图像为包括一个完好的标准适配器的图像,所述标准区域为标准适配器的图像中标准适配器的区域。
在一个实施例中,待检测的适配器为电源适配器的生产流水线中的适配器。通过布设在流水线旁的mod相机对电源适配器进行拍照,采集电源适配器外观图像。所述相机的布设原则为镜头对准流水线上适配器的外壳,并进行垂直拍照,对拍摄得到的图像进行处理后,得到至少一个适配器区域的适配器图像。人工筛选出一个完好(外表未发生损伤)的标准适配器,通过mod相机对其垂直拍照,对拍摄得到的图像进行处理后,得到包括一个标准区域的标准图像。
步骤S2:根据所述适配器区域构建第一灰度依赖矩阵W 0,以及根据所述标准区域构建第二灰度依赖矩阵W 1。
其中,灰度依赖矩阵用于描述某一灰阶的周边区域某类灰度值分布的出现频次,在本发明中用于描述适配器外壳的纹理特征。且灰度依赖矩阵的行数为灰度图像最大灰度阶数,其列数为每个像素点的最大邻居数加1。对第一灰度依赖矩阵W 0与所述第二灰度依赖矩阵W 1两矩阵而言,二者的行数或列数均相等。
步骤S3:根据所述第一灰度依赖矩阵W 0和所述第二灰度依赖矩阵W 1计算适配器的第一损坏度指数r 1。
其中,计算第一损坏度指数r 1的公式为:
。
exp为以自然底数e为底的指数函数。为了得到被检测适配器外壳的纹理与标准适配器外壳的纹理之间的差异,对第一灰度依赖矩阵和第二灰度依赖矩阵做差。将二者的差进行矩阵求和后,对求和得到值的相反数进行归一化处理,得到的值为第一损坏度指数r 1。因此第一损坏度指数r 1反映了第一灰度依赖矩阵和第二灰度依赖矩阵之间的相似度。
步骤S4:根据像素值对所述适配器区域的像素进行阈值分割,从而获得所述适配器区域中一对插脚区域的目标像素值。
步骤S5:根据所述目标像素值计算适配器的一对插脚的第二损坏度指数r 2。
其中,计算第二损坏度指数r 2的公式为:
。
为一对插脚区域中的一个插脚区域中边缘像素值集合中的第n个像素点的像素值,/>为一对插脚区域中的另一个插脚区域中边缘像素值集合中的第n个像素点的像素值,/>为一对插脚区域中的一个插脚区域中边缘像素值集合中的第n+1个像素点的像素值,/>为一对插脚区域中的另一个插脚区域中边缘像素值集合中的第n+1个像素点的像素值,n为累加起点,m为一对插脚区域中边缘像素值集合的个数。
特别地,由于适配器的外部结构包含了外壳与插脚,且获得的第一损坏指数表示适配器因裂缝、磨损等纹理方面的损坏,因此能有效的针对适配器外壳,无法对插脚侧外壳中的插脚进行缺陷检测,因此需要补充插脚的第二损坏指数,由于流水线上的适配器数量不唯一,因此在拍照时,在一个适配器图像中包含多个适配器区域,且每个适配器的区域对应一个插头。由于适配器在图像中的位置存在相对距离,因此图像中插头所反射的光也不一致,导致适配器中插头的像素值存在一个范围。
步骤S6:响应于第一损坏度指数r 1小于第一阈值R 1或第二损坏度指数r 2大于第二阈值R 2,确定适配器存在损坏。
其中,当第一损坏度指数r 1越接近1,说明待检测的适配器外壳与标准适配器外壳(二者的纹理)越相似。因此,当第一损坏度指数r 1小于第一阈值R 1时,说明被检测的适配器外壳部分的纹理与标准适配器外壳的纹理之间的差异较大,因此判断该适配器的外壳发生损坏。在一个实施例中,第一阈值R 1等于0.8。
再者,一个完好适配器的两个插脚应该是形状相似且位置平行。当第二损坏度指数r 2大于第二阈值R 2时,说明被检测适配器的两个插脚之间的差异较大,因此判断该适配器的一对插脚发生损坏。
步骤S7:响应于第一损坏度指数r 1不小于第一阈值R 1且第二损坏度指数r 2不大于第二阈值R 2,确定适配器不存在损坏。
其中,若第一损坏度指数r 1不小于第一阈值R 1且第二损坏度指数r 2不小于第二阈值R 2,说明检测的适配器外壳部分的纹理与标准适配器外壳的纹理之间十分相似,且被检测的适配器的两个插脚平行且相似。因此,确定被检测的适配器为未发生损坏的适配器。
图2是根据本发明的实施例的步骤S1的流程图。
如图2所示,步骤S1包括步骤S101至步骤S105。
步骤S101:获得包括待检测的适配器的第一灰度图像,以及完好的标准适配器的第二灰度图像。
其中,对于待检测的适配器,获得其原始的RGB图像,对该RGB图像进行灰度处理,可以得到待检测适配器的第一灰度图像。对于人工筛选出的没有损伤的标准适配器,获得其原始的RGB图像,对该RGB图像进行灰度处理,可以得到标准适配器的第二灰度图像。
步骤S102:将所述第一灰度图像投入适配器分割模型,得到第一分割图像。
其中,适配器分割模型是一个训练完成的算法,它用于将图像中的适配器从背景中分离出来。通过该模型得到的第一分割图像中,适配器的区域被标记为前景,该区域的像素值为1;除适配器以外的其他区域被标记为背景,该区域的像素值为0。
步骤S103:将第一分割图像与第一灰度图像相乘,得到所述适配器图像。
特别地,第一分割图像可以看作是掩膜,适配器区域对应的像素值为1,而其他区域对应的像素值为0。因此,第一灰度图像(原始图像)与第一分割图像(二值化图像)相乘的目的是提取出第一灰度图像中与待检测的适配器位置对应的像素值,并将其他位置的像素值设为0。而后得到的图像将只保留待检测适配器的区域的像素值,去除了不相关的像素信息。
步骤S104:将所述第二灰度图像投入适配器分割模型,得到第二分割图像。
其中,适配器分割模型识别第二灰度图像中的标准适配器的区域,并将该区域标记为前景,非标准适配器的区域标记为背景。前景的像素点的像素值为1,背景的像素点的像素值为0。
步骤S105:将第二分割图像与第二灰度图像相乘,得到所述标准图像。
其中,第二灰度图像(原始图像)与第二分割图像(二值化图像)相乘的目的是提取出第二灰度图像中与标准适配器位置对应的像素值,并将其背景的像素点的像素值设为0。
在一个实施例中,获得包括至少一个适配器区域的适配器图像,以及包括一个标准区域的标准图像还包括构建适配器分割模型:采集多个包含适配器的训练图像,并标记各所述训练图像中适配器的区域;选择合适的语义分割模型架构例如:U-Net(Convolutional Networks)、FCN(Fully Convolutional Network)等,并构建语义分割模型;将所述训练图像进行灰度处理,并将灰度处理后的所述训练图像投入所述语义分割模型;构建损失函数,并更新所述语义分割模型的参数;响应于损失取得最小值,得到适配器分割模型。
图3是根据本发明的实施例的步骤S101的流程图。
如图3所示,步骤S101包括步骤S1011至步骤S1014。
步骤S1011:获得待检测的适配器的图像。
在一个实施例中,适配器生产的流水线进行生产作业,各适配器经过相机捕捉范围时,相机对待检测的适配器进行拍摄。拍摄的频率与流水线的生产效率有关,使得流水线上各待检测的适配器均被完整拍摄,且只出现在一个图像上。
步骤S1012:将待检测的适配器的图像进行灰度处理,得到所述第一灰度图像。
其中,相机获得的适配器的图像为彩色图像,对其进行灰度处理后得到灰度图像(第一灰度图像)。
进一步地,在对图像进行灰度处理之前,对图像进行预处理:使用去噪算法如中值滤波或高斯滤波来消除图像中的噪声,以减少后续处理的干扰;通过调整对比度、亮度和色彩平衡等方法来使图像更加清晰和鲜明,以提高后续处理的准确性;使用平滑滤波器如均值滤波或高斯滤波来平滑图像,去除细节和噪点,以提高后续处理的稳定性。
步骤S1013:获得带有一个完好的标准适配器的图像。
在一个实施例中,通过人工筛选出的完好的标准适配器,并通过相机获得其彩色图像。或者直接输入预先拍摄好的完好的标准适配器彩色图像。
步骤S1014:对所述标准适配器的图像进行灰度处理,得到所述第二灰度图像。
其中,对于待检测的适配器以及标准适配器的RGB图像,使用相同的灰度处理算法对二者进行灰度处理,例如,二者均使用加权平均法、分量法等灰度处理算法将RGB图像进行灰度处理。
特别地,RGB图像转换为灰度图像,可以将彩色图像的红、绿和蓝通道进行加权平均。灰度图像中的每个像素值代表了该位置的亮度级别,而不受颜色的影响。这有助于后续的图像处理和分析,以及实现更精准的适配器分割和识别。
图4是根据本发明的实施例的步骤S2的流程图。
如图4所示,步骤S2包括步骤S201至步骤S204。
步骤S201:获得适配器区域中各像素的第一灰度值,并根据第一灰度值构建第一指示矩阵。
其中,对于任一适配器区域,获得适配器区域中各像素的灰度值(第一灰度值)以及该灰度值在该适配器区域的位置。构建的第一指示矩阵的第x行的第y列的数字(元素)表示为:在适配器区域中,坐标为(x,y)的像素的像素值。第一指示矩阵某处没有对应坐标的像素点时,该处的数字为0。
步骤S202:根据所述第一指示矩阵构建所述第一灰度依赖矩阵W 0。
在一个实施例中,对于第一灰度依赖矩阵W 0的第i行的第j列,该位置的数字为q,则说明第一指示矩阵中,拥有j个灰度值为i的邻居的点有q个。
步骤S203:获得标准区域中各像素的第二灰度值,并根据第二灰度值构建第二指示矩阵。
其中,获得标准区域中各像素的灰度值(第一灰度值)以及该灰度值在该适配器区域的位置。构建的第二指示矩阵的第x'行的第y'列的数字(元素)表示为:在标准区域中,坐标为(x',y')的像素的像素值。第二指示矩阵某处没有对应坐标的像素点时,该处的数字为0。
步骤S204:根据所述第二指示矩阵构建所述第二灰度依赖矩阵W 1。
在一个实施例中,对于第二灰度依赖矩阵W 1的第i'行的第j'列,该位置的数字为q',则说明第二指示矩阵中,拥有j'个灰度值为i'的邻居的点有q'个。
图5是根据本发明的实施例的步骤S4的流程图。
如图5所示,步骤S4包括步骤S401至步骤S404。
步骤S401:设定一个分割阈值,并根据所述分割阈值,将适配器图像中像素的像素值分割为第一类像素值和第二类像素值。
步骤S402:计算所述第一类像素值和所述第二类像素值的分割响应值。
其中,根据插脚侧外壳的结构的特殊性,首先需要获得外壳上的插脚像素值,所述插脚像素值的获得方法为对包含插脚的适配器图像进行阈值分割,获得插脚的像素值范围。所述像素值范围的分割满足下述关系式:
。
u为分割响应值,H 1为适配器图像中适配器区域的第一类像素值,H 2为适配器图像中适配器区域的第二类像素值,为第一类像素值所占适配器区域中所有像素值的比值,/>为第二类像素值所占适配器区域中所有像素值的比值,mean为均值计算函数,STD为标准差计算函数。
步骤S403:更新所述分割阈值,并计算所述分割阈值更新后的所述分割响应值u。
在一个实施例中,响应于所述分割阈值的初始值为0,将所述分割阈值逐步增加至适配器图像像素的像素值中的最大值,各次所述分割阈值更新,使得分割阈值的增加1;响应于所述分割阈值的初始值为适配器图像像素的像素值中的最大值,将所述分割阈值逐步减小至0,各次所述分割阈值更新,使得分割阈值的减小1。
在另一个实施例中,随机改变分割阈值,直至分割阈值取得一定范围内的所有整数值。所述的一定范围:分割阈值不小于0、不大于适配器图像像素的像素值中的最大值。
步骤S404:响应于分割响应值u取得最大值,将像素值个数少的一个类确定为所述一对插脚区域的像素值,得到所述一对插脚区域的像素值。
特别地,当第一类像素值和第二类像素值之间的差异u 1最大。其中u 1满足:
。
且各自第一类像素的类内方差与第二类像素的类内方差的和u 2最小。其中u 2满足:
。
此时,两类像素值的完成了分割,得到的两类像素值分别为适配器的外壳部分的像素值和插脚部分的像素值。由于适配器外壳的体积大于适配器插脚的体积,因此在适配器区域中对应的像素值个数多的一类为外壳像素值,少的一类为插脚像素值。若第一类像素H1的数量大于第二类像素值H2的数量,则确定第二类像素值H2为插脚区域的像素值;若第一类像素H1的数量小于第二类像素值H2的数量,则确定第一类像素值H1为插脚区域的像素值。基于此,可以得到插脚区域的像素值,并使像素值为目标像素值。
综上所述,本发明将待检测适配器的灰度图像与标准适配器的灰度图像进行对比,确定待检测适配器的纹理是否存在较大的异常,进而判断适配器的外壳部分是否存在外观损伤。其中,根据二者的纹理差异,可以得到第一损坏度指数r1,当第一损坏度指数r1大于损坏度阈值可以确定适配器外壳部分是否存在外观损伤。然后本发明通过判断适配器的两个插脚是否平行,进而判断适配器的插脚是否存在损坏。其中,在得到适配器插脚区域后,根据两个插脚区域的边缘像素值可以得到第二损坏度指数r2,当第二损坏度指数r2大于损坏度阈值可以确定适配器的插脚存在损坏。本发明通过适配器的图像识别适配器的外部损伤,提高检测适配器的效率和准确性,同时降低了对人工检查的需求。
在本说明书的描述中,“多个”、“若干个”的含义是至少两个,例如两个,三个或更多个等,除非另有明确具体的限定。
虽然本说明书已经示出和描述了本发明的多个实施例,但对于本领域技术人员显而易见的是,这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中,可以采用对本文所描述的本发明实施例的各种替代方案。
Claims (10)
1.基于图像处理的电源适配器产品检测方法,其特征在于,包括:
获得包括至少一个适配器区域的适配器图像,以及包括一个标准区域的标准图像,其中,各适配器区域对应一个待检测的适配器,所述标准图像为包括一个完好的标准适配器的图像,所述标准区域为标准适配器的图像中标准适配器的区域;
根据所述适配器区域构建第一灰度依赖矩阵W 0,以及根据所述标准区域构建第二灰度依赖矩阵W 1,其中,所述第一灰度依赖矩阵W 0与所述第二灰度依赖矩阵W 1的行数和列数均相等;
根据所述第一灰度依赖矩阵W 0和所述第二灰度依赖矩阵W 1计算适配器的第一损坏度指数r 1:
其中,exp为以自然底数e为底的指数函数;
根据像素值对所述适配器区域的像素进行阈值分割,从而获得所述适配器区域中一对插脚区域的目标像素值;
根据所述目标像素值计算适配器的一对插脚的第二损坏度指数r 2:
其中,为一对插脚区域中的一个插脚区域中边缘像素值集合中的第n个像素点的像素值,/>为一对插脚区域中的另一个插脚区域中边缘像素值集合中的第n个像素点的像素值,/>为一对插脚区域中的一个插脚区域中边缘像素值集合中的第n+1个像素点的像素值,/>为一对插脚区域中的另一个插脚区域中边缘像素值集合中的第n+1个像素点的像素值,n为累加起点,m为一对插脚区域中边缘像素值集合的个数;
响应于第一损坏度指数r 1小于第一阈值R 1或第二损坏度指数r 2大于第二阈值R 2,确定适配器存在损坏;
响应于第一损坏度指数r 1不小于第一阈值R 1且第二损坏度指数r 2不大于第二阈值R 2,确定适配器不存在损坏。
2.根据权利要求1所述的基于图像处理的电源适配器产品检测方法,其特征在于,所述获得包括至少一个适配器区域的适配器图像,以及包括一个标准区域的标准图像,包括:
获得包括待检测的适配器的第一灰度图像,以及完好的标准适配器的第二灰度图像;
将所述第一灰度图像投入适配器分割模型,得到第一分割图像;
将第一分割图像与第一灰度图像相乘,得到所述适配器图像;
将所述第二灰度图像投入适配器分割模型,得到第二分割图像;
将第二分割图像与第二灰度图像相乘,得到所述标准图像。
3.根据权利要求2所述的基于图像处理的电源适配器产品检测方法,其特征在于,所述获得包括待检测的适配器的第一灰度图像,以及完好的标准适配器的第二灰度图像,包括:
获得待检测的适配器的图像;
将待检测的适配器的图像进行灰度处理,得到所述第一灰度图像;
获得带有一个完好的标准适配器的图像;
对所述标准适配器的图像进行灰度处理,得到所述第二灰度图像。
4.根据权利要求2所述的基于图像处理的电源适配器产品检测方法,其特征在于,还包括构建适配器分割模型:
采集多个包含适配器的训练图像,并标记各所述训练图像中适配器的区域;
构建语义分割模型;
将所述训练图像进行灰度处理,并将灰度处理后的所述训练图像投入所述语义分割模型;
构建损失函数,并更新所述语义分割模型的参数;
响应于损失取得最小值,得到适配器分割模型。
5.根据权利要求4所述的基于图像处理的电源适配器产品检测方法,其特征在于,所述损失函数为均方差损失函数。
6.根据权利要求1所述的基于图像处理的电源适配器产品检测方法,其特征在于,所述根据所述适配器区域构建第一灰度依赖矩阵W 0,以及根据所述标准区域构建第二灰度依赖矩阵W 1包括:
获得适配器区域中各像素的第一灰度值,并根据第一灰度值构建第一指示矩阵;
根据所述第一指示矩阵构建所述第一灰度依赖矩阵W 0;
获得标准区域中各像素的第二灰度值,并根据第二灰度值构建第二指示矩阵;
根据所述第二指示矩阵构建所述第二灰度依赖矩阵W 1。
7.根据权利要求6所述的基于图像处理的电源适配器产品检测方法,其特征在于,所述获得适配器区域中各像素的第一灰度值,并根据第一灰度值构建第一指示矩阵,包括:
设置第一二维数组,其中,所述第一二维数组为空的二维数组,且其用于保存所述第一指示矩阵;
遍历适配器区域中的各像素,获得各像素的第一灰度值;
将第一灰度值保存到第一二维数组中的对应位置,得到所述第一指示矩阵。
8.根据权利要求6所述的基于图像处理的电源适配器产品检测方法,其特征在于,所述获得标准区域中各像素的第二灰度值,并根据第二灰度值构建第二指示矩阵,包括:
设置第二二维数组,其中,所述第二二维数组为空的二维数组,且其用于保存所述第二指示矩阵;
遍历标准区域中的各像素,获得各像素的第二灰度值;
将第二灰度值保存到第二二维数组中的对应位置,得到所述第二指示矩阵。
9.根据权利要求1所述的基于图像处理的电源适配器产品检测方法,其特征在于,所述根据所述像素值对所述适配器区域的像素进行阈值分割,从而获得所述适配器区域中一对插脚区域的所述目标像素值,包括:
设定一个分割阈值,并根据所述分割阈值,将适配器图像中像素的像素值分割为第一类像素值和第二类像素值;
计算所述第一类像素值和所述第二类像素值的分割响应值u:
其中,u为分割响应值,H 1为适配器图像中适配器区域的第一类像素值,H 2为适配器图像中适配器区域的第二类像素值,为第一类像素值所占适配器区域中所有像素值的比值,/>为第二类像素值所占适配器区域中所有像素值的比值,mean为均值计算函数,STD为标准差计算函数;
更新所述分割阈值,并计算所述分割阈值更新后的所述分割响应值u;
响应于分割响应值u取得最大值,将像素值个数少的一个类确定为所述一对插脚区域的像素值,得到所述一对插脚区域的像素值。
10.根据权利要求9所述的基于图像处理的电源适配器产品检测方法,其特征在于,所述更新所述分割阈值,包括:
响应于所述分割阈值的初始值为0,将所述分割阈值逐步增加至适配器图像像素的像素值中的最大值,其中,各次所述分割阈值的更新使分割阈值的增加1;
响应于所述分割阈值的初始值为适配器图像中像素的像素值的最大值,将所述分割阈值逐步减小至0,其中,各次所述分割阈值的更新使分割阈值的减小1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410250852.XA CN117830319B (zh) | 2024-03-06 | 2024-03-06 | 基于图像处理的电源适配器产品检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410250852.XA CN117830319B (zh) | 2024-03-06 | 2024-03-06 | 基于图像处理的电源适配器产品检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117830319A true CN117830319A (zh) | 2024-04-05 |
CN117830319B CN117830319B (zh) | 2024-05-31 |
Family
ID=90506308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410250852.XA Active CN117830319B (zh) | 2024-03-06 | 2024-03-06 | 基于图像处理的电源适配器产品检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117830319B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004055658A (ja) * | 2002-07-17 | 2004-02-19 | Juki Corp | 電子部品実装装置及び画像認識方法の選択方法 |
US20110026804A1 (en) * | 2009-08-03 | 2011-02-03 | Sina Jahanbin | Detection of Textural Defects Using a One Class Support Vector Machine |
CN105784713A (zh) * | 2016-03-11 | 2016-07-20 | 南京理工大学 | 基于机器视觉的密封圈表面缺陷检测方法 |
CN114119489A (zh) * | 2021-10-29 | 2022-03-01 | 北京宇航系统工程研究所 | 一种电连接器多余物及缩针倒针缺陷自动化检测方法 |
CN114324350A (zh) * | 2021-12-10 | 2022-04-12 | 巢湖学院 | 基于机器视觉的五孔插座面板缺陷智能检测方法及系统 |
CN115096893A (zh) * | 2022-06-07 | 2022-09-23 | 东北大学 | 一种基于机器视觉的飞机结构件缺陷无损检测方法 |
CN116264006A (zh) * | 2021-12-14 | 2023-06-16 | 通用汽车环球科技运作有限责任公司 | 用于人群健康监测充电端口功能的方法与机制 |
CN116777916A (zh) * | 2023-08-24 | 2023-09-19 | 济宁安泰矿山设备制造有限公司 | 基于泵机金属外壳的缺陷检测方法 |
CN116977250A (zh) * | 2022-12-01 | 2023-10-31 | 腾讯科技(深圳)有限公司 | 一种工业零件的缺陷检测方法、装置和计算机设备 |
CN117169227A (zh) * | 2023-09-01 | 2023-12-05 | 珠海格力电器股份有限公司 | 插头的生产方法、装置、设备及存储介质 |
CN117408995A (zh) * | 2023-12-11 | 2024-01-16 | 东莞市时实电子有限公司 | 基于多特征融合的电源适配器外观质量检测方法 |
CN117495849A (zh) * | 2023-12-28 | 2024-02-02 | 东莞市时实电子有限公司 | 基于图像特征的电源适配器质量检测方法 |
-
2024
- 2024-03-06 CN CN202410250852.XA patent/CN117830319B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004055658A (ja) * | 2002-07-17 | 2004-02-19 | Juki Corp | 電子部品実装装置及び画像認識方法の選択方法 |
US20110026804A1 (en) * | 2009-08-03 | 2011-02-03 | Sina Jahanbin | Detection of Textural Defects Using a One Class Support Vector Machine |
CN105784713A (zh) * | 2016-03-11 | 2016-07-20 | 南京理工大学 | 基于机器视觉的密封圈表面缺陷检测方法 |
CN114119489A (zh) * | 2021-10-29 | 2022-03-01 | 北京宇航系统工程研究所 | 一种电连接器多余物及缩针倒针缺陷自动化检测方法 |
CN114324350A (zh) * | 2021-12-10 | 2022-04-12 | 巢湖学院 | 基于机器视觉的五孔插座面板缺陷智能检测方法及系统 |
CN116264006A (zh) * | 2021-12-14 | 2023-06-16 | 通用汽车环球科技运作有限责任公司 | 用于人群健康监测充电端口功能的方法与机制 |
CN115096893A (zh) * | 2022-06-07 | 2022-09-23 | 东北大学 | 一种基于机器视觉的飞机结构件缺陷无损检测方法 |
CN116977250A (zh) * | 2022-12-01 | 2023-10-31 | 腾讯科技(深圳)有限公司 | 一种工业零件的缺陷检测方法、装置和计算机设备 |
CN116777916A (zh) * | 2023-08-24 | 2023-09-19 | 济宁安泰矿山设备制造有限公司 | 基于泵机金属外壳的缺陷检测方法 |
CN117169227A (zh) * | 2023-09-01 | 2023-12-05 | 珠海格力电器股份有限公司 | 插头的生产方法、装置、设备及存储介质 |
CN117408995A (zh) * | 2023-12-11 | 2024-01-16 | 东莞市时实电子有限公司 | 基于多特征融合的电源适配器外观质量检测方法 |
CN117495849A (zh) * | 2023-12-28 | 2024-02-02 | 东莞市时实电子有限公司 | 基于图像特征的电源适配器质量检测方法 |
Non-Patent Citations (7)
Title |
---|
兰红 等;: "3维灰度矩阵的钢板缺陷图像识别", 中国图象图形学报, no. 06, 16 June 2019 (2019-06-16) * |
朱海荣 等;: "改进的精密机械加工零件表面缺陷检测算法", 传感器与微系统, no. 11, 20 November 2006 (2006-11-20) * |
李绎铃;: "基于机器视觉的SOP芯片引脚缺陷检测研究", 科技资讯, no. 10, 3 April 2018 (2018-04-03) * |
汤踊 等;: "深度学习在输电线路中部件识别与缺陷检测的研究", 电子测量技术, no. 06, 23 March 2018 (2018-03-23) * |
蔡述庭 等;: "一种基于Halcon的美标电源线缺陷检测方法", 机床与液压, no. 08, 28 April 2019 (2019-04-28) * |
郭慧 等;: "基于灰度共生矩阵和分层聚类的刨花板表面图像缺陷提取方法", 林业科学, no. 11, 15 November 2018 (2018-11-15) * |
阮晓虹 等;: "基于机器视觉的触点零件在线检测系统研究", 电子测量技术, no. 02, 15 February 2010 (2010-02-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117830319B (zh) | 2024-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115601364B (zh) | 基于图像分析的金手指电路板检测方法 | |
CN111383209B (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
CN116309537B (zh) | 一种极耳模具表面油污的缺陷检测方法 | |
CN113808138B (zh) | 一种基于人工智能的电线电缆表面缺陷检测方法 | |
CN110830795B (zh) | 一种图像传感器坏点检测方法、装置及电子设备 | |
CN115345885A (zh) | 一种金属健身器材外观质量检测方法 | |
US20060067569A1 (en) | Image inspection device, image inspection method, and image inspection program | |
KR101813223B1 (ko) | 영상 표면의 결함을 검출 및 분류하는 방법 및 장치 | |
CN111242026B (zh) | 一种基于空间层次感知模块和度量学习的遥感图像目标检测方法 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 | |
CN117764986B (zh) | 基于图像处理的钛板表面缺陷检测方法 | |
CN116721107B (zh) | 一种电缆生产质量智能监控系统 | |
CN116703890B (zh) | 极耳缺陷的检测方法和系统 | |
CN115082477B (zh) | 一种基于去反光效果的半导体晶圆加工质量检测方法 | |
CN110634137A (zh) | 一种基于视觉感知的桥梁变形的监测方法、装置及设备 | |
CN115272353A (zh) | 适用于裂纹检测的图像处理方法 | |
CN115272350A (zh) | 一种计算机pcb主板生产质量检测方法 | |
CN115639248A (zh) | 一种用于建筑外墙质量检测的系统及方法 | |
US20110164129A1 (en) | Method and a system for creating a reference image using unknown quality patterns | |
CN115049667A (zh) | 一种齿轮缺陷检测方法 | |
JP4296617B2 (ja) | 画像処理装置および画像処理方法、並びに記録媒体 | |
CN114359251A (zh) | 一种混凝土表面破损的自动识别方法 | |
CN113870204A (zh) | 一种光学玻璃的异常检测方法及装置 | |
CN113269758A (zh) | 一种基于机器视觉的卷烟外观检测方法及测试装置 | |
CN117830319B (zh) | 基于图像处理的电源适配器产品检测方法 |
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 |