物体表面划痕检测方法、装置、设备和存储介质制造方法及图纸

本申请提供一种物体表面划痕检测方法、装置、设备和存储介质。该方法包括：对待检测物体表面的灰度图像进行特征增强处理，得到增强图像；通过CNN对所述增强图像进行特征提取，得到CNN特征向量；确定所述增强图像的线条特征向量以及中值特征向量；根据预先训练好的检测模型对所述CNN特征向量、所述线条特征向量以及所述中值特征向量进行处理，得到所述待检测物体表面的划痕检测结果；其中，所述检测模型基于样本数据集训练得到。该方法提高了划痕检测效率和划痕检测的准确性。效率和划痕检测的准确性。效率和划痕检测的准确性。

【技术实现步骤摘要】
物体表面划痕检测方法、装置、设备和存储介质


[0001]本申请涉及图像
，特别是涉及一种物体表面划痕检测方法、装置、设备和存储介质。

技术介绍

[0002]通常，物体表面如果存在划痕，将影响物体的美观度或者技术性能，因此，对物体的质检包括检测物体表面是否存在划痕。例如，在冰箱生产下线前，需要对冰箱的表面进行划痕检测。
[0003]在相关技术中，往往通过有经验的质检员对物体表面进行人工检测，但是，由于部分物体表面划痕不明显，且不同颜色的物体频繁切换检查，导致人工检测效率以及准确率较低。

技术实现思路

[0004]为克服相关技术中存在的技术问题，本申请提供一种物体表面划痕检测方法、装置、设备和存储介质。
[0005]第一方面，本申请提供一种物体表面划痕检测方法，包括：
[0006]对待检测物体表面的灰度图像进行特征增强处理，得到增强图像；
[0007]通过CNN对所述增强图像进行特征提取，得到CNN特征向量；
[0008]确定所述增强图像的线条特征向量以及中值特征向量；
[0009]根据预先训练好的检测模型对所述CNN特征向量、所述线条特征向量以及所述中值特征向量进行处理，得到所述待检测物体表面的划痕检测结果；其中，所述检测模型基于样本数据集训练得到。
[0010]第二方面，本申请提供一种物体表面划痕检测装置，包括：
[0011]第一处理模块，用于对待检测物体表面的灰度图像进行特征增强处理，得到增强图像；
[0012]第二处理模块，用于通过CNN对所述增强图像进行特征提取，得到CNN特征向量；
[0013]确定模块，用于确定所述增强图像的线条特征向量以及中值特征向量；
[0014]检测模块，用于根据预先训练好的检测模型对所述CNN特征向量、所述线条特征向量以及所述中值特征向量进行处理，得到所述待检测物体表面的划痕检测结果；其中，所述检测模型基于样本数据集训练得到。
[0015]第三方面，本申请提供一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本申请第一方面提供的物体表面划痕检测方法的步骤。
[0016]第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本申请第一方面提供的物体表面划痕检测方法的步骤。
[0017]本申请提供的技术方案，对待检测物体表面的灰度图像进行特征增强处理，增强
了图像突变部分，提高了划痕辨识度，从而提高了划痕检测的准确性，并通过CNN对增强图像进行特征提取，得到CNN特征向量，以及确定增强图像的线条特征向量以及中值特征向量，利用预先训练好的检测模型对上述CNN特征向量、线条特征向量以及中值特征向量进行处理，预测待检测物体表面的划痕检测结果，此过程综合考虑了待检测物体表面的多个特征向量，使得输入至检测模型中的特征更加丰富，从而进一步提高了划痕检测的准确性。并且，通过机器识别代替人工检测，提高了划痕检测效率。
附图说明
[0018]图1为本实施例提供的物体表面划痕检测方法的一种流程示意图；
[0019]图2为本实施例提供的物体表面划痕检测方法的另一种流程示意图；
[0020]图3为本实施例提供的物体表面划痕检测装置的一种结构示意图；
[0021]图4为本实施例提供的电子设备的一种结构示意图。
具体实施方式
[0022]为了使本申请的目的、技术方案及优点更加清楚明白，通过下述实施例并结合附图，对本申请中的技术方案进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
[0023]本申请可以应用于需要对物体表面进行划痕检测的场景，比如，在家电设备生产下线前，需要对家电设备的表面进行划痕检测。通常，采用人工检测的方式对物体表面进行划痕检测，但是，人工检测方式消耗人力大，时间长，检测结果依赖肉眼，而且长时间工作导致质检员视觉疲劳，不同颜色的物体频繁切换检查，导致人工检测效率非常低，且漏检、误检的情况也时有发生。为此，本申请提供的技术方案，旨在解决相关技术中存在的技术问题。
[0024]需要说明的是，下述方法实施例的执行主体可以是物体表面划痕检测装置，该装置可以通过软件、硬件或者软硬件结合的方式实现成为电子设备的部分或者全部。可选地，该电子设备可以是智能手机、平板电脑等。
[0025]图1为本实施例提供的物体表面划痕检测方法的一种流程示意图。如图1所示，该方法可以包括：
[0026]S101、对待检测物体表面的灰度图像进行特征增强处理，得到增强图像。
[0027]具体的，待检测物体为需要进行划痕检测的物体。可选地，待检测物体可以为家电设备，例如、冰箱、洗衣机、烘干机等。在具体实现时，可以使用LED作为拍摄光源，使用电荷耦合器件(Charge Coupled Device，CCD)工业相机对待检测物体的外观表面进行拍摄，获得彩色图像，并对该彩色图像进行灰度转换，得到待检测物体表面的灰度图像。
[0028]可选地，可以对获得的灰度图像进行高斯滤波去噪声处理。
[0029]通常，在待检测物体表面划痕明显且色差较大的时候，通过机器识别划痕的效果较佳，但当待检测物体表面划痕不明显，待检测物体表面的灰度图像中的灰度值较为平均，划痕区域的灰度值变化较小，面积也较小，可能只有几个像素点，且这几个像素点的灰度值只比周边像素点稍低，这种情况下通过机器识别划痕的效果不理想。为此，本实施例可以对待检测物体表面的灰度图像进行特征增强处理，以突出图像突变部分，提高划痕的辨识度，
提高机器识别划痕的准确性。
[0030]S102、通过卷积神经网络(Convolution Neural Network，CNN)对所述增强图像进行特征提取，得到CNN特征向量。
[0031]在得到增强图像之后，可以使用CNN网络中的特征提取子网络对增强图像进行特征提取，获得CNN特征向量。例如，CNN网络中可以包括卷积层、池化层、全连接层以及输出层等，在此，特征提取子网络可以包括卷积层、池化层以及全连接层。
[0032]S103、确定所述增强图像的线条特征向量以及中值特征向量。
[0033]通常，划痕具有线条特征，因此，可以提取增强图像中的线条特征向量。可选地，可以将增强图像与预设图像模板进行比对，得到增强图像的线条特征向量。
[0034]具体的，可以预先采集无划痕的同一物体表面的多个灰度图像，形成预设图像模板。由此可知，预设图像模板中的各灰度图像均是不存在划痕特征的图像，将待检测物体表面的增强图像与预设图像模板进行比对，找出增强图像与预设图像模板之间的差异，从而提取出增强图像中的线条特征向量。其中，线条特征向量可以包括线条长度、位置、颜色等信息。
[0035]进一步地，还可以提取增强图像的中值特征向量。
[0036]其中，增强图像包括多种灰度级，中值本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种物体表面划痕检测方法，其特征在于，包括：对待检测物体表面的灰度图像进行特征增强处理，得到增强图像；通过卷积神经网络CNN对所述增强图像进行特征提取，得到CNN特征向量；确定所述增强图像的线条特征向量以及中值特征向量；根据预先训练好的检测模型对所述CNN特征向量、所述线条特征向量以及所述中值特征向量进行处理，得到所述待检测物体表面的划痕检测结果；其中，所述检测模型基于样本数据集训练得到。2.根据权利要求1所述的方法，其特征在于，所述对待检测物体表面的灰度图像进行特征增强处理，得到增强图像，包括：确定所述灰度图像中灰度值超过预设灰度值的像素点的占比；当所述占比超过预设比例时，基于第一处理方式对所述灰度图像进行处理，得到增强图像；当所述占比未超过预设比例时，基于第二处理方式对所述灰度图像进行处理，得到增强图像。3.根据权利要求2所述的方法，其特征在于，所述基于第一处理方式对所述灰度图像进行处理，得到增强图像，包括：对所述灰度图像进行频域变换，得到频域图像；通过带通滤波器对所述频域图像进行卷积处理，得到频域特征图像；对所述频域特征图像进行时域变换，得到增强图像。4.根据权利要求2所述的方法，其特征在于，所述基于第二处理方式对所述灰度图像进行处理，得到增强图像，包括：对所述灰度图像进行均值滤波处理，得到增强图像。5.根据权利要求1至4中任一项所述的方法，其特征在于，所述确定所述增强图像的线条特征向量，包括：将所述增强图像与预设图像模板进行比对，得到所述增强图像的线条特征向量；其中，所述预设图像模板包括无划痕的同一物体表面的多个灰度图像；所述确定所述增强图像的中值特...

【专利技术属性】
技术研发人员：王凤阳，贾淇超，周靖超，贾冬冬，王艳纳，王子萁，
申请(专利权)人：海尔卡奥斯物联科技有限公司，
类型：发明
国别省市：