CN118314133B - 基于机器视觉的智能终端机缺陷快速检测方法 - Google Patents
基于机器视觉的智能终端机缺陷快速检测方法 Download PDFInfo
- Publication number
- CN118314133B CN118314133B CN202410732450.3A CN202410732450A CN118314133B CN 118314133 B CN118314133 B CN 118314133B CN 202410732450 A CN202410732450 A CN 202410732450A CN 118314133 B CN118314133 B CN 118314133B
- Authority
- CN
- China
- Prior art keywords
- scratch
- suspected
- connected domain
- intelligent terminal
- degree
- 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 23
- 238000001514 detection method Methods 0.000 title claims abstract description 12
- 230000011218 segmentation Effects 0.000 claims abstract description 65
- 238000000034 method Methods 0.000 claims abstract description 51
- 230000000875 corresponding effect Effects 0.000 claims description 15
- 230000002596 correlated effect Effects 0.000 claims description 12
- 230000001788 irregular Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 abstract description 4
- 238000010191 image analysis Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003796 beauty Effects 0.000 description 1
- 230000009286 beneficial effect Effects 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
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像分析技术领域,具体涉及基于机器视觉的智能终端机缺陷快速检测方法,包括:获取智能终端机灰度图像;获取灰度图像的若干分割阈值,得到灰度图像的若干分割结果,以及每个分割结果中的疑似划痕连通域;根据疑似划痕连通域,获取疑似划痕连通域的划痕程度;根据疑似划痕连通域的划痕程度,获取每个像素点为划痕区域中的像素点可能性;根据灰度图像中第v个像素点为划痕区域中的像素点可能性,获取灰度图像中的划痕区域。本发明通过分析多个分割阈值下的分割结果,避免了由于光照的影响导致单一阈值无法准确得到智能终端机灰度图像中的划痕区域的问题,最终准确得到智能终端机灰度图像中的划痕区域。
Description
技术领域
本发明涉及图像分析技术领域,具体涉及基于机器视觉的智能终端机缺陷快速检测方法。
背景技术
智能终端机在生产以及运输的过程中难免会出现碰撞,导致智能终端机的表面出现划痕,影响智能终端机的美观,因此需要对智能终端机的表面进行缺陷检测;而传统的大津法是通过计算类间方差寻找最佳分割阈值获取划痕区域的,但由于智能终端机表面的划痕区域仅占智能终端机灰度图像中的极小部分,因此利用传统的大津法并不能准确的得到智能终端机表面的划痕区域,同时又由于光照因素的影响导致单一阈值难以将准确的将划痕区域识别出来。
发明内容
本发明提供基于机器视觉的智能终端机缺陷快速检测方法,以解决现有的问题:通过单一阈值难以将智能终端机表面的划痕区域准确的识别出来。
本发明的基于机器视觉的智能终端机缺陷快速检测方法采用如下技术方案:
包括以下步骤:
获取智能终端机灰度图像;
根据智能终端机灰度图像的不同分割阈值,得到智能终端机灰度图像的不同分割结果,以及每个分割结果中的疑似划痕连通域;
获得每个疑似划痕连通域最小外接矩形的骨架;根据骨架与边缘像素点之间的位置分布获得疑似划痕连通域形状不规则程度;根据最小外接矩形的形状以及所述骨架上灰度变化趋势,获得划痕因子;根据疑似划痕连通域形状不规则程度和划痕因子获得疑似划痕连通域的划痕程度;
根据疑似划痕连通域的划痕程度,将每个像素点标记为预设标记值;根据智能终端机灰度图像中每个像素点在所有分割结果中对应的标记值分布,获得智能终端机灰度图像中每个像素点为划痕区域中的像素点可能性;
根据智能终端机灰度图像中每个像素点为划痕区域中的像素点可能性,获取智能终端机灰度图像中的划痕区域。
优选的,所述疑似划痕连通域形状不规则程度获取方法包括:
根据骨架与边缘像素点之间的位置分布,获取疑似划痕连通域的边缘粗糙程度和疑似划痕连通域的曲折程度;
根据疑似划痕连通域的边缘粗糙程度和疑似划痕连通域的曲折程度,获取疑似划痕连通域形状不规则程度;疑似划痕连通域的边缘粗糙程度和疑似划痕连通域的曲折程度均与疑似划痕连通域形状不规则程度呈正相关。
优选的,所述疑似划痕连通域的边缘粗糙程度获取方法包括:
过第个疑似划痕连通域的第个边缘像素点作一条直线,垂直于第个疑似划痕连通域最小外接矩形的骨架,记为第个疑似划痕连通域的第个边缘像素点的垂线;获取第个疑似划痕连通域的第个边缘像素点的梯度方向与之间的最小夹角,记为第个疑似划痕连通域的第个边缘像素点的特征角;将第个疑似划痕连通域的所有边缘像素点的特征角的变异系数,作为第个疑似划痕连通域的边缘粗糙程度。
优选的,所述疑似划痕连通域的曲折程度获取方法包括:
过第个疑似划痕连通域最小外接矩形的骨架上第个像素点作一条第个疑似划痕连通域最小外接矩形的骨架的垂线,记为;将上与第个疑似划痕连通域最小外接矩形的骨架上第个像素点最近的第个疑似划痕连通域的边缘像素点,作为第个疑似划痕连通域最小外接矩形的骨架上第个像素点的基准像素点,获取第个疑似划痕连通域最小外接矩形的骨架上第个像素点,与第个疑似划痕连通域最小外接矩形的骨架上第个像素点之间的基准像素点之间的距离,记为第个疑似划痕连通域最小外接矩形的骨架上第个像素点的基准距离;将第个疑似划痕连通域最小外接矩形的骨架上所有像素点的基准距离变异系数,作为第个疑似划痕连通域的曲折程度。
优选的,所述根据最小外接矩形的形状以及所述骨架上灰度变化趋势,获得划痕因子,包括:
根据疑似划痕连通域最小外接矩形的形状,获取疑似划痕连通域的狭长程度;
根据疑似划痕连通域最小外接矩形的骨架上灰度变化趋势,获取疑似划痕连通域的渐变特征;
根据疑似划痕连通域的狭长程度和疑似划痕连通域的渐变特征,获取疑似划痕连通域的划痕因子;疑似划痕连通域的狭长程度和疑似划痕连通域的渐变特征均与疑似划痕连通域的划痕因子呈正相关。
优选的,所述根据疑似划痕连通域最小外接矩形的形状,获取疑似划痕连通域的狭长程度,包括的具体方法为:
对于第个疑似划痕连通域,获取第个疑似划痕连通域最小外接矩形,对第个疑似划痕连通域最小外接矩形的长宽比进行归一化;将第个疑似划痕连通域最小外接矩形的长宽比的归一化结果,作为第个疑似划痕连通域的狭长程度。
优选的,所述根据疑似划痕连通域最小外接矩形的骨架上灰度变化趋势,获取疑似划痕连通域的渐变特征,包括的具体方法为:
将第个疑似划痕连通域最小外接矩形的骨架中灰度值最低的像素点记为标记点,将距离第个疑似划痕连通域最小外接矩形的骨架的中点最近的标记点,记为起始点;将起始点作为第个疑似划痕连通域最小外接矩形的骨架的分段点,将第个疑似划痕连通域最小外接矩形的骨架分为两个线段;得到第个疑似划痕连通域最小外接矩形的骨架的两个线段,并以起始点到端点的方向为线段方向;根据两个线段中像素点的灰度值,获取第个疑似划痕连通域的渐变特征。
优选的,所述根据疑似划痕连通域形状不规则程度和划痕因子获得疑似划痕连通域的划痕程度,包括:
疑似划痕连通域的划痕因子,与疑似划痕连通域的划痕程度呈正相关;疑似划痕连通域形状不规则程度,与疑似划痕连通域的划痕程度呈负相关。
优选的,所述根据疑似划痕连通域的划痕程度,将每个像素点标记为预设标记值,包括的具体方法为:
预设一个划痕程度阈值,对每个分割结果中所有的像素点进行标记,当分割结果中疑似划痕连通域的划痕程度大于或等于,则连通域中所有像素点标记值为;当分割结果中疑似划痕连通域的划痕程度小于,或不是疑似划痕连通域,则将所有对应像素点标记值为;与分别为预设的非负数标记值,且大于。
优选的,所述根据智能终端机灰度图像中每个像素点在所有分割结果中对应的标记值分布,获得智能终端机灰度图像中每个像素点为划痕区域中的像素点可能性,包括:
根据智能终端机灰度图像中像素点在所有分割结果中对应的标记值之和,获得每个像素点划痕区域中的像素点可能性,智能终端机灰度图像中像素点在所有分割结果中对应的标记值之和,与每个像素点划痕区域中的像素点可能性呈正相关。
本发明的技术方案的有益效果是:本发明通过获取智能终端机灰度图像的若干分割阈值,得到智能终端机灰度图像的若干分割结果,以及每个分割结果中的疑似划痕连通域;根据疑似划痕连通域,获取疑似划痕连通域的划痕程度,通过分析智能终端机灰度图像中划痕区域所拥有的特征,获取每个疑似划痕连通域的划痕程度,为后续获取每个像素点为划痕区域中的像素点可能性提供理论依据;根据疑似划痕连通域的划痕程度,获取每个像素点为划痕区域中的像素点可能性;根据智能终端机灰度图像中第个像素点为划痕区域中的像素点可能性,获取智能终端机灰度图像中的划痕区域,通过分析多个分割阈值下的智能终端机灰度图像的分割结果,避免了由于光照的影响导致单一阈值无法准确得到智能终端机灰度图像中的划痕区域的问题,最终准确得到智能终端机灰度图像中的划痕区域。
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,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为本发明基于机器视觉的智能终端机缺陷快速检测方法的步骤流程图;
图2为获取智能终端机灰度图像中的划痕区域的流程图。
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基于机器视觉的智能终端机缺陷快速检测方法,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基于机器视觉的智能终端机缺陷快速检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于机器视觉的智能终端机缺陷快速检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取智能终端机灰度图像。
需要说明的是,智能终端机在生产以及运输的过程中难免会出现碰撞,导致智能终端机的表面出现划痕,影响智能终端机的美观,因此本实施例提出了一种基于机器视觉的智能终端机缺陷快速检测方法;为此首先需要获取智能终端机的表面图像。
具体的,通过相机采集智能终端机的表面图像;对智能终端机的表面图像进行灰度化以及去噪处理,对智能终端机的表面图像进行处理的方法本实施例不做硬性要求,在本实施例中通过高斯滤波对智能终端机的表面图像进行去噪,得到智能终端机灰度图像,而高斯滤波作为一种公知的现有技术,故在本实施例中不再进行赘述。
需要进一步说明的是,为了能够更准确的获取智能终端机表面的划痕,还需要对智能终端机的表面图像进行灰度化处理以及去噪处理。
至此,得到智能终端机灰度图像。
步骤S002:根据智能终端机灰度图像的不同分割阈值,得到智能终端机灰度图像的不同分割结果,以及每个分割结果中的疑似划痕连通域;获得每个疑似划痕连通域最小外接矩形的骨架;根据骨架与边缘像素点之间的位置分布获得疑似划痕连通域形状不规则程度;根据最小外接矩形的形状以及所述骨架上灰度变化趋势,获得划痕因子;根据疑似划痕连通域形状不规则程度和划痕因子获得疑似划痕连通域的划痕程度。
需要说明的是,传统的大津法是通过计算类间方差寻找最佳分割阈值获取划痕区域的,但由于智能终端机表面的划痕区域仅占智能终端机灰度图像中的极小部分,因此利用传统的大津法并不能准确的得到智能终端机表面的划痕区域;故本实施例提出了一种基于机器视觉的智能终端机缺陷快速检测方法,通过分析智能终端机灰度图像在不同分割阈值下的分割结果,从而准确的获取智能终端机表面的划痕区域。
具体的,利用大津法获取智能终端机灰度图像的分割阈值记为初始分割阈值;
预设一个分割阈值调整步长与分割阈值调整次数,与的取值可结合实际情况自行设置,本实施例不做硬性要求,在本实施例中以、进行叙述;
将作为第一分割阈值、作为第二分割阈值、作为第三分割阈值;以此类推,直至将作为第分割阈值,得到若干分割阈值;
根据每个分割阈值,对智能终端机进行阈值分割,得到若干智能终端机灰度图像的分割结果,并将每个智能终端机灰度图像的分割结果中灰度值为0的像素点组成的连通域,记为疑似划痕连通域;
需要说明的是,由于大津法作为一种公知的现有技术,故在本实施例不再进行赘述,而传统的大津法得到的分割阈值并不能准确的将划痕区域分割出来,因此本实施例通过对大津法得到的分割阈值进行迭代,获取若干分割阈值,通过分析每个分割阈值的分割结果中的疑似划痕连通域;获取每个疑似划痕连通域的划痕程度。
需要进一步说明的是,由于智能终端机表面的划痕由碰撞产生的,因此智能终端机表面的划痕总是呈现细长状,且划痕的边缘光滑,同时智能终端机表面的划痕总是笔直的,且智能终端机表面的划痕具有中间部分的灰度低,周围部分的灰度值高的特征,故可以此为依据,获取每个疑似划痕连通域的划痕程度。
具体的,根据骨架与边缘像素点之间的位置分布,获取疑似划痕连通域的边缘粗糙程度和疑似划痕连通域的曲折程度;
根据疑似划痕连通域的边缘粗糙程度和疑似划痕连通域的曲折程度,获取疑似划痕连通域形状不规则程度;疑似划痕连通域的边缘粗糙程度和疑似划痕连通域的曲折程度均与疑似划痕连通域形状不规则程度呈正相关;
对于第个疑似划痕连通域,将第个疑似划痕连通域中距离最远的两个像素点,记为第个疑似划痕连通域的端点,连接第个疑似划痕连通域的两个端点,得到第个疑似划痕连通域最小外接矩形的骨架;
对于第个疑似划痕连通域的第个边缘像素点,过第个疑似划痕连通域的第个边缘像素点作一条直线,垂直于第个疑似划痕连通域最小外接矩形的骨架,记为第个疑似划痕连通域的第个边缘像素点的垂线;获取第个疑似划痕连通域的第个边缘像素点的梯度方向与之间的最小夹角,记为第个疑似划痕连通域的第个边缘像素点的特征角;将第个疑似划痕连通域的所有边缘像素点的特征角的变异系数,作为第个疑似划痕连通域的边缘粗糙程度。
需要说明的是,当疑似划痕连通域的边缘越光滑,疑似划痕连通域的所有边缘像素点的特征角越趋于一致,因此第个疑似划痕连通域的边缘粗糙程度越小,则疑似划痕连通域越可能为划痕连通域。
对于第个疑似划痕连通域最小外接矩形的骨架上第个像素点,过第个疑似划痕连通域最小外接矩形的骨架上第个像素点作一条第个疑似划痕连通域最小外接矩形的骨架的垂线,记为;将上与第个疑似划痕连通域最小外接矩形的骨架上第个像素点最近的第个疑似划痕连通域的边缘像素点,作为第个疑似划痕连通域最小外接矩形的骨架上第个像素点的基准像素点,获取第个疑似划痕连通域最小外接矩形的骨架上第个像素点,与第个疑似划痕连通域最小外接矩形的骨架上第个像素点之间的基准像素点之间的距离,记为第个疑似划痕连通域最小外接矩形的骨架上第个像素点的基准距离;将第个疑似划痕连通域最小外接矩形的骨架上所有像素点的基准距离变异系数,作为第个疑似划痕连通域的曲折程度。
需要说明的是,当疑似划痕连通域越笔直,疑似划痕连通域最小外接矩形的骨架上所有像素点的基准距离越趋于一致,因此第个疑似划痕连通域的曲折程度越小,则疑似划痕连通域越可能为划痕连通域。
进一步的,根据疑似划痕连通域的边缘粗糙程度和疑似划痕连通域的曲折程度,获取疑似划痕连通域形状不规则程度;
在本发明一个具体的实施例中,其计算公式为:
式中,表示第个疑似划痕连通域形状不规则程度;表示第个疑似划痕连通域的边缘粗糙程度;表示第个疑似划痕连通域的曲折程度。
需要说明的是,疑似划痕连通域形状不规则程度,越高则疑似划痕连通域为划痕区域的可能性就越低;同时为了能够更准确判断疑似划痕连通域是否为划痕区域,则还需要通过分析疑似划痕连通域具备的划痕区域特征程度。
具体的,根据疑似划痕连通域最小外接矩形的形状,获取疑似划痕连通域的狭长程度;
根据疑似划痕连通域最小外接矩形的骨架上灰度变化趋势,获取疑似划痕连通域的渐变特征;
根据疑似划痕连通域的狭长程度和疑似划痕连通域的渐变特征,获取疑似划痕连通域的划痕因子;疑似划痕连通域的狭长程度和疑似划痕连通域的渐变特征均与疑似划痕连通域的划痕因子呈正相关。
对于第个疑似划痕连通域,获取第个疑似划痕连通域最小外接矩形,对第个疑似划痕连通域最小外接矩形的长宽比进行归一化,归一化对象为所有疑似划痕连通域最小外接矩形的长宽比;将第个疑似划痕连通域最小外接矩形的长宽比的归一化结果,作为第个疑似划痕连通域的狭长程度;
需要说明的是,当第个疑似划痕连通域的狭长程度越大,则说明第个疑似划痕连通域越具有细长状的特征,即第个疑似划痕连通域的狭长程度越大,则第个疑似划痕连通域越可能为划痕连通域。
将第个疑似划痕连通域最小外接矩形的骨架中灰度值最低的像素点记为标记点,将距离第个疑似划痕连通域最小外接矩形的骨架的中点最近的标记点,记为起始点;将起始点作为第个疑似划痕连通域最小外接矩形的骨架的分段点,将第个疑似划痕连通域最小外接矩形的骨架分为两个线段;得到第个疑似划痕连通域最小外接矩形的骨架的两个线段,并以起始点到端点的方向为线段方向;根据两个线段中像素点的灰度值,获取第个疑似划痕连通域的渐变特征;
所述两个线段中像素点的灰度值越来越大,则第个疑似划痕连通域的渐变特征越大,其计算公式为:
式中,表示第个疑似划痕连通域的渐变特征;表示第个疑似划痕连通域最小外接矩形的骨架的第一个线段中像素点的数量;表示第个疑似划痕连通域最小外接矩形的骨架的第一个线段中第个像素点的灰度值;表示第个疑似划痕连通域最小外接矩形的骨架的第一个线段中第个像素点的灰度值;表示第个疑似划痕连通域最小外接矩形的骨架的第二个线段中第个像素点的灰度值;表示第个疑似划痕连通域最小外接矩形的骨架的第二个线段中第个像素点的灰度值;表示取符号函数。
需要说明的是与的值越大,则第个疑似划痕连通域越具有中间部分的灰度低,周围部分的灰度值高的特征,故的值越大,则第个疑似划痕连通域越可能为划痕连通域。
进一步的,根据疑似划痕连通域的狭长程度和疑似划痕连通域的渐变特征,获取疑似划痕连通域的划痕因子;
在本发明一个具体的实施例中,其计算公式为:
式中,表示第个疑似划痕连通域的划痕因子;表示第个疑似划痕连通域的狭长程度;表示第个疑似划痕连通域的渐变特征。
需要说明的是,疑似划痕连通域的划痕因子表示的是疑似划痕连通域具备的划痕区域特征程度,因此疑似划痕连通域的划痕因子越大,则疑似划痕连通域越可能为划痕区域;结合疑似划痕连通域的形状不规则程度,即可得到疑似划痕连通域的划痕程度。
具体的,疑似划痕连通域的划痕因子,与疑似划痕连通域的划痕程度呈正相关;疑似划痕连通域形状不规则程度,与疑似划痕连通域的划痕程度呈负相关;
在本发明一个具体的实施例中,其计算公式为:
式中,表示第个疑似划痕连通域的划痕程度;表示第个疑似划痕连通域的划痕因子;表示第个疑似划痕连通域形状不规则程度;表示以自然常数为底数的指数函数,在本实施例中采用模型来呈现反比例关系及归一化处理,为模型的输入,实施者可根据实际情况设置反比例函数及归一化函数。
至此,得到疑似划痕连通域的划痕程度。
步骤S003:根据疑似划痕连通域的划痕程度,将每个像素点标记为预设标记值;根据智能终端机灰度图像中每个像素点在所有分割结果中对应的标记值分布,获得智能终端机灰度图像中每个像素点为划痕区域中的像素点可能性。
需要说明的是,由于在采集智能终端机灰度图像时通常会受到光照影响,导致单一阈值难以将智能终端机表面的划痕区域准确的识别出来;而本实施例作为一种基于机器视觉的智能终端机缺陷快速检测方法,为了能够准确的获取智能终端机表面的划痕区域,需要分析智能终端机灰度图像的所有分割结果,结合步骤S002得到疑似划痕连通域的划痕程度,获取智能终端机灰度图像中每个像素点为划痕区域中的像素点可能性,达到准确的获取智能终端机表面的划痕区域的目的。
具体的,预设一个划痕程度阈值,的具体取值可结合实际情况自行设置,本实施例不做硬性要求,在本实施例中以进行叙述;对每个分割结果中所有的像素点进行标记,当分割结果中疑似划痕连通域的划痕程度大于或等于,则连通域中所有像素点标记值为;当分割结果中疑似划痕连通域的划痕程度小于,或不是疑似划痕连通域,则将所有对应像素点标记值为;与分别为预设的标记值,与分别为预设的非负数标记值,且大于,与的具体取值可结合实际情况自行设置,本实施例不做硬性要求,在本实施例中以、进行叙述。
根据智能终端机灰度图像中像素点在所有分割结果中对应的标记值之和,获得每个像素点划痕区域中的像素点可能性,智能终端机灰度图像中像素点在所有分割结果中对应的标记值之和,与每个像素点划痕区域中的像素点可能性呈正相关;
在本发明一个具体的实施例中,其计算公式为:
式中,表示智能终端机灰度图像中第个像素点为划痕区域中的像素点可能性;表示智能终端机灰度图像中第个像素点在所有分割结果中对应的标记值之和;表示智能终端机灰度图像的所有分割结果的数量。
需要说明的是,疑似划痕连通域的划痕程度越高,则疑似划痕连通域中的像素点就越可能为划痕像素点,同时为了更客观的获取智能终端机灰度图像中每个像素点为划痕区域中的像素点可能性,则需要结合智能终端机灰度图像的所有分割结果,获取智能终端机灰度图像中每个像素点为划痕区域中的像素点可能性,当智能终端机灰度图像的所有分割结果中任意个像素点为目标像素点的数量越多是,则该像素点为划痕像素点的可能性就越大。
至此,智能终端机灰度图像中每个像素点为划痕区域中的像素点可能性。
步骤S004:根据智能终端机灰度图像中每个像素点为划痕区域中的像素点可能性,获取智能终端机灰度图像中的划痕区域。
需要说明的是,在通过步骤S003得到智能终端机灰度图像中每个像素点为划痕区域中的像素点可能性,后即可根据智能终端机灰度图像中每个像素点为划痕区域中的像素点可能性,获取智能终端机灰度图像中的划痕区域。
具体的,预设一个可能阈值,的具体取值可结合实际情况自行,本实施例不做硬性要求,在本实施例中以进行叙述,当智能终端机灰度图像中第个像素点为划痕区域中的像素点可能性大于或等于时,则智能终端机灰度图像中第个像素点为划痕像素点;当智能终端机灰度图像中第个像素点为划痕区域中的像素点可能性小于时,则智能终端机灰度图像中第个像素点不为划痕像素点;
将智能终端机灰度图像中所有划痕像素点组成的区域作为智能终端机灰度图像中的划痕区域。
需要说明的是,本实施例利用多个分割阈值下的智能终端机灰度图像的分割结果,通过分析每个分割结果中的像素点,避免了单一阈值无法准确得到智能终端机灰度图像中的划痕区域的问题,最终准确的获取智能终端机灰度图像中的划痕区域。
图2为获取智能终端机灰度图像中的划痕区域的流程图。
至此,本实施例完成。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于机器视觉的智能终端机缺陷快速检测方法,其特征在于,该方法包括以下步骤:
获取智能终端机灰度图像;
根据智能终端机灰度图像的不同分割阈值,得到智能终端机灰度图像的不同分割结果,以及每个分割结果中的疑似划痕连通域;
获得每个疑似划痕连通域最小外接矩形的骨架;根据骨架与边缘像素点之间的位置分布获得疑似划痕连通域形状不规则程度;根据最小外接矩形的形状以及所述骨架上灰度变化趋势,获得划痕因子;根据疑似划痕连通域形状不规则程度和划痕因子获得疑似划痕连通域的划痕程度;
根据疑似划痕连通域的划痕程度,将每个像素点标记为预设标记值;根据智能终端机灰度图像中每个像素点在所有分割结果中对应的标记值分布,获得智能终端机灰度图像中每个像素点为划痕区域中的像素点可能性;
根据智能终端机灰度图像中每个像素点为划痕区域中的像素点可能性,获取智能终端机灰度图像中的划痕区域。
2.根据权利要求1所述基于机器视觉的智能终端机缺陷快速检测方法,其特征在于,所述疑似划痕连通域形状不规则程度获取方法包括:
根据骨架与边缘像素点之间的位置分布,获取疑似划痕连通域的边缘粗糙程度和疑似划痕连通域的曲折程度;
根据疑似划痕连通域的边缘粗糙程度和疑似划痕连通域的曲折程度,获取疑似划痕连通域形状不规则程度;疑似划痕连通域的边缘粗糙程度和疑似划痕连通域的曲折程度均与疑似划痕连通域形状不规则程度呈正相关。
3.根据权利要求2所述基于机器视觉的智能终端机缺陷快速检测方法,其特征在于,所述疑似划痕连通域的边缘粗糙程度获取方法包括:
过第个疑似划痕连通域的第个边缘像素点作一条直线,垂直于第个疑似划痕连通域最小外接矩形的骨架,记为第个疑似划痕连通域的第个边缘像素点的垂线;获取第个疑似划痕连通域的第个边缘像素点的梯度方向与之间的最小夹角,记为第个疑似划痕连通域的第个边缘像素点的特征角;将第个疑似划痕连通域的所有边缘像素点的特征角的变异系数,作为第个疑似划痕连通域的边缘粗糙程度。
4.根据权利要求2所述基于机器视觉的智能终端机缺陷快速检测方法,其特征在于,所述疑似划痕连通域的曲折程度获取方法包括:
过第个疑似划痕连通域最小外接矩形的骨架上第个像素点作一条第个疑似划痕连通域最小外接矩形的骨架的垂线,记为;将上与第个疑似划痕连通域最小外接矩形的骨架上第个像素点最近的第个疑似划痕连通域的边缘像素点,作为第个疑似划痕连通域最小外接矩形的骨架上第个像素点的基准像素点,获取第个疑似划痕连通域最小外接矩形的骨架上第个像素点,与第个疑似划痕连通域最小外接矩形的骨架上第个像素点之间的基准像素点之间的距离,记为第个疑似划痕连通域最小外接矩形的骨架上第个像素点的基准距离;将第个疑似划痕连通域最小外接矩形的骨架上所有像素点的基准距离变异系数,作为第个疑似划痕连通域的曲折程度。
5.根据权利要求1所述基于机器视觉的智能终端机缺陷快速检测方法,其特征在于,所述根据最小外接矩形的形状以及所述骨架上灰度变化趋势,获得划痕因子,包括:
根据疑似划痕连通域最小外接矩形的形状,获取疑似划痕连通域的狭长程度;
根据疑似划痕连通域最小外接矩形的骨架上灰度变化趋势,获取疑似划痕连通域的渐变特征;
根据疑似划痕连通域的狭长程度和疑似划痕连通域的渐变特征,获取疑似划痕连通域的划痕因子;疑似划痕连通域的狭长程度和疑似划痕连通域的渐变特征均与疑似划痕连通域的划痕因子呈正相关。
6.根据权利要求5所述基于机器视觉的智能终端机缺陷快速检测方法,其特征在于,所述根据疑似划痕连通域最小外接矩形的形状,获取疑似划痕连通域的狭长程度,包括的具体方法为:
对于第个疑似划痕连通域,获取第个疑似划痕连通域最小外接矩形,对第个疑似划痕连通域最小外接矩形的长宽比进行归一化;将第个疑似划痕连通域最小外接矩形的长宽比的归一化结果,作为第个疑似划痕连通域的狭长程度。
7.根据权利要求5所述基于机器视觉的智能终端机缺陷快速检测方法,其特征在于,所述根据疑似划痕连通域最小外接矩形的骨架上灰度变化趋势,获取疑似划痕连通域的渐变特征,包括的具体方法为:
将第个疑似划痕连通域最小外接矩形的骨架中灰度值最低的像素点记为标记点,将距离第个疑似划痕连通域最小外接矩形的骨架的中点最近的标记点,记为起始点;将起始点作为第个疑似划痕连通域最小外接矩形的骨架的分段点,将第个疑似划痕连通域最小外接矩形的骨架分为两个线段;得到第个疑似划痕连通域最小外接矩形的骨架的两个线段,并以起始点到端点的方向为线段方向;根据两个线段中像素点的灰度值,获取第个疑似划痕连通域的渐变特征。
8.根据权利要求1所述基于机器视觉的智能终端机缺陷快速检测方法,其特征在于,所述根据疑似划痕连通域形状不规则程度和划痕因子获得疑似划痕连通域的划痕程度,包括:
疑似划痕连通域的划痕因子,与疑似划痕连通域的划痕程度呈正相关;疑似划痕连通域形状不规则程度,与疑似划痕连通域的划痕程度呈负相关。
9.根据权利要求1所述基于机器视觉的智能终端机缺陷快速检测方法,其特征在于,所述根据疑似划痕连通域的划痕程度,将每个像素点标记为预设标记值,包括的具体方法为:
预设一个划痕程度阈值,对每个分割结果中所有的像素点进行标记,当分割结果中疑似划痕连通域的划痕程度大于或等于,则连通域中所有像素点标记值为;当分割结果中疑似划痕连通域的划痕程度小于,或不是疑似划痕连通域,则将所有对应像素点标记值为;与分别为预设的非负数标记值,且大于。
10.根据权利要求9所述基于机器视觉的智能终端机缺陷快速检测方法,其特征在于,所述根据智能终端机灰度图像中每个像素点在所有分割结果中对应的标记值分布,获得智能终端机灰度图像中每个像素点为划痕区域中的像素点可能性,包括:
根据智能终端机灰度图像中像素点在所有分割结果中对应的标记值之和,获得每个像素点划痕区域中的像素点可能性,智能终端机灰度图像中像素点在所有分割结果中对应的标记值之和,与每个像素点划痕区域中的像素点可能性呈正相关。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410732450.3A CN118314133B (zh) | 2024-06-07 | 2024-06-07 | 基于机器视觉的智能终端机缺陷快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410732450.3A CN118314133B (zh) | 2024-06-07 | 2024-06-07 | 基于机器视觉的智能终端机缺陷快速检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118314133A CN118314133A (zh) | 2024-07-09 |
CN118314133B true CN118314133B (zh) | 2024-08-09 |
Family
ID=91726417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410732450.3A Active CN118314133B (zh) | 2024-06-07 | 2024-06-07 | 基于机器视觉的智能终端机缺陷快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118314133B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115249246A (zh) * | 2022-09-23 | 2022-10-28 | 深圳市欣冠精密技术有限公司 | 一种光学玻璃表面缺陷检测方法 |
CN116843678A (zh) * | 2023-08-28 | 2023-10-03 | 青岛冠宝林活性炭有限公司 | 一种硬碳电极生产质量检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115601367B (zh) * | 2022-12-15 | 2023-04-07 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
-
2024
- 2024-06-07 CN CN202410732450.3A patent/CN118314133B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115249246A (zh) * | 2022-09-23 | 2022-10-28 | 深圳市欣冠精密技术有限公司 | 一种光学玻璃表面缺陷检测方法 |
CN116843678A (zh) * | 2023-08-28 | 2023-10-03 | 青岛冠宝林活性炭有限公司 | 一种硬碳电极生产质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN118314133A (zh) | 2024-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115861135B (zh) | 一种应用于箱体全景探测的图像增强及识别方法 | |
CN107808378B (zh) | 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法 | |
CN117078672B (zh) | 基于计算机视觉的手机屏幕缺陷智能检测方法 | |
CN112651968B (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
CN110930390B (zh) | 基于半监督深度学习的芯片管脚缺失检测方法 | |
CN110210448B (zh) | 一种智能人脸皮肤老化程度的识别与评估方法 | |
CN115294099B (zh) | 一种钢板轧制过程发纹缺陷的检测方法及系统 | |
CN116912261B (zh) | 一种塑料模具注塑表面缺陷检测方法 | |
CN117218122B (zh) | 基于图像数据的手表外壳质量检测方法 | |
CN109635814B (zh) | 基于深度神经网络的森林火灾自动检测方法和装置 | |
CN116385472B (zh) | 一种五金冲压件去毛刺效果评估方法 | |
CN116735612B (zh) | 一种精密电子元器件焊接缺陷检测方法 | |
CN117689655B (zh) | 基于计算机视觉的金属钮扣表面缺陷检测方法 | |
CN116468728B (zh) | 一种五金冲压件模具生产质量检测方法 | |
CN117372432B (zh) | 基于图像分割的电子烟表面缺陷检测方法及系统 | |
CN115511907B (zh) | 一种用于led屏幕的划痕检测方法 | |
CN115953409B (zh) | 基于图像处理的注塑件表面缺陷检测方法 | |
CN117522863B (zh) | 基于图像特征的集成箱体质量检测方法 | |
CN111738931B (zh) | 光伏阵列无人机航拍图像的阴影去除算法 | |
CN114820625A (zh) | 一种汽车顶块缺陷检测方法 | |
CN117541582B (zh) | 一种高频变频器igbt绝缘质量检测方法 | |
CN114998356A (zh) | 一种基于图像处理的车桥缺陷检测方法 | |
CN112258536B (zh) | 一种胼胝体及小脑蚓部的一体化定位及分割方法 | |
CN117437238A (zh) | 一种封装ic表面缺陷视觉检测方法 |
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 |