便携设备部件的缺陷检测方法、装置、设备及存储介质

技术领域

本申请涉及视觉检测技术领域，尤其涉及一种便携设备部件的缺陷检测方法、缺陷检测装置、计算机设备以及计算机可读存储介质。

背景技术

在便携设备（如手机、手表等）的生产过程中，为确保生产质量，需要对便携设备部件的表面进行缺陷检测（如检测划痕、毛刺、脏污等）。目前，厂家采用的检测方式都是人工检验，而人工检验通常具有一定的主观性，造成误差大，检验结果往往不确定，其判断完全依赖于工人的工作经验和主观意识，造成产品检测结果不稳定。另一方面，工人每天重复着高强度的工作，要想要求他们做到对每个产品都准确判断并不现实，因此，由于人为的疏忽很可能造成客户投诉甚至退货，同时人工检验效率低，需要占用大量的人力和时间。

上述内容仅用于辅助理解本申请的技术方案，并不代表承认上述内容是现有技术。

发明内容

本申请的主要目的在于提供一种便携设备部件的缺陷检测方法、缺陷检测装置、计算机设备以及计算机可读存储介质，旨在提高对便携设备部件的表面缺陷检测的准确性和效率。

为实现上述目的，本申请提供一种便携设备部件的缺陷检测方法，包括以下步骤：

获取便携设备部件的表面图片；

检测所述表面图片中的所述便携设备部件的特征点位置；

根据所述特征点位置确定所述表面图片对应的检测区域；

根据所述便携设备部件对应的检测类型，调用所述检测类型对应的检测算法对所述检测区域内的图像进行缺陷检测，并生成检测结果；其中，所述检测类型包括线状缺陷检测、灰度检测、毛刺检测和斑块检测中的至少一个。

可选的，所述检测所述表面图片中的所述便携设备部件的特征点位置的步骤包括：

基于人工智能模型，检测所述表面图片中的所述便携设备部件的特征点位置；

其中，所述人工智能模型预先基于多个标注有便携设备部件的特征点的图片样本训练得到。

可选的，所述便携设备部件的缺陷检测方法还包括：

在所述便携设备部件进行线状缺陷检测之后，则对便携设备部件进行灰度检测；

在对所述便携设备部件进行灰度检测之后，则对便携设备部件进行毛刺检测或斑块检测。

可选的，所述便携设备部件的缺陷检测方法还包括：

根据设定参数，对所述便携设备部件进行线状缺陷检测；

其中，所述设定参数包括缺陷颜色、降噪系数、差异阈值、面积阈值和长度阈值中的至少一个。

可选的，所述便携设备部件的缺陷检测方法还包括：

在对所述便携设备部件进行灰度检测时，获取所述检测区域内的图像对应的灰度值；

检测所述灰度值是否满足灰度值区间，以检测所述便携设备部件是否存在发白情况。

可选的，所述便携设备部件的缺陷检测方法还包括：

对所述检测区域内的图像对应的灰度图像进行二值化处理，得到二值化图像；

基于所述二值化图像对所述便携设备部件进行毛刺检测和/或斑块检测。

可选的，所述便携设备部件的缺陷检测方法还包括：

检测到所述便携设备部件存在缺陷时，利用预设颜色在所述表面图片中标示出相应的缺陷。

为实现上述目的，本申请还提供一种缺陷检测装置，包括：

图片采集模块，用于获取便携设备部件的表面图片；

特征检测模块，用于检测所述表面图片中的所述便携设备部件的特征点位置；

区域定位模块，用于根据所述特征点位置确定所述表面图片对应的检测区域；

处理模块，用于根据所述便携设备部件对应的检测类型，调用所述检测类型对应的检测算法对所述检测区域内的图像进行缺陷检测，并生成检测结果；其中，所述检测类型包括线状缺陷检测、灰度检测、毛刺检测和斑块检测中的至少一个。

为实现上述目的，本申请还提供一种计算机设备，所述计算机设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上述便携设备部件的缺陷检测方法的步骤。

为实现上述目的，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质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如上述便携设备部件的缺陷检测方法的步骤。

本申请提供的便携设备部件的缺陷检测方法、缺陷检测装置、计算机设备以及计算机可读存储介质，利用计算机视觉和图像处理技术，通过检测特征点位置和应用不同的缺陷检测算法，实现了对便携设备部件表面缺陷的自动化检测，不仅提高了对便携设备部件的表面缺陷检测的准确性和效率，还避免了人工检验的主观性带来的检测误差，以及降低了人工检测成本。

附图说明

图1为本申请一实施例中便携设备部件的缺陷检测方法步骤示意图；

图2为本申请一实施例中缺陷检测装置示意图；

图3为本申请一实施例的计算机设备的内部结构示意框图。

本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制，基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

另外，若本申请中涉及“第一”、“第二”等的描述，仅用于描述目的（如用于区分相同或类似元件），而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本申请要求的保护范围之内。

参照图1，在一实施例中，所述便携设备部件的缺陷检测方法包括：

步骤S10、获取便携设备部件的表面图片；

步骤S20、检测所述表面图片中的所述便携设备部件的特征点位置；

步骤S30、根据所述特征点位置确定所述表面图片对应的检测区域；

步骤S40、根据所述便携设备部件对应的检测类型，调用所述检测类型对应的检测算法对所述检测区域内的图像进行缺陷检测，并生成检测结果；其中，所述检测类型包括线状缺陷检测、灰度检测、毛刺检测和斑块检测中的至少一个。

本实施例中，实施例的执行终端可以是计算机设备，也可以是控制计算机设备的其他设备或装置（如缺陷检测装置）。

如步骤S10所述，使用高分辨率的摄像设备或相机来拍摄便携设备部件的表面图片，并确保所获取的表面图片的清晰度和准确性，以便后续的特征点检测和缺陷检测。

可选的，若便携设备部件为手机按键，可针对手机按键缺陷检测作业，使用12工位即12套相机，搭配定制镜头、光源，以获取相应的表面图片。

可选的，若便携设备部件为手机摄像头外环，可针对手机摄像头外环缺陷检测作业，使用7工位即7套相机，搭配定制镜头、光源，以获取相应的表面图片。

可选的，若便携设备部件为手表表壳，可针对表壳缺陷检测作业，使用21个工位即21套相机，搭配定制镜头、光源，以获取相应的表面图片。

可选的，若便携设备部件为手表侧面小螺柱，可针对手表侧面小螺柱缺陷检测作业，使用9工位即9套相机，搭配定制镜头、光源，以获取相应的表面图片。

如步骤S20所述，运用计算机视觉技术，使用特征点检测算法来精确定位便携设备部件的特征点。其中，特征点可以是部件的边缘、角点或其他能够明确描述部件形状和结构的点。

可选的，针对手机按键，可使用边缘检测算法来检测按键的边缘特征点。

可选的，针对手机摄像头外环，可使用角点检测算法来检测外环的角点特征。

可选的，针对手表表壳，可根据表壳的几何形状和纹理，使用纹理特征检测算法或形状匹配算法来检测表壳的特征点。

可选的，针对手表侧面小螺柱，可使用形状匹配算法或角点检测算法来检测小螺柱的特征点。

如步骤S30所述，基于检测到的特征点位置，使用适当的算法或规则来确定表面图片中与部件对应的检测区域，以确保检测区域包含足够的信息（如特征点处于检测区域内），以便进行后续的缺陷检测。

例如，预设检测区域的范围，并使用特征点位置（或多个特征点之间的中心位置）作为检测区域的定位点，并以定位点为中心，在预设的检测区域范围内确定具体的检测区域。其中，可以采用矩形、圆形或其他形状来定义检测区域。

如步骤S40所述，根据便携设备部件的检测类型，选择相应的检测算法进行缺陷检测。所述检测类型包括线状缺陷检测、灰度检测、毛刺检测和斑块检测中的至少一个。

其中，为不同检测类型预设有相应的检测算法，以实现相应的检测功能。

可选的，对于线状缺陷检测，可使用边缘检测或霍夫变换等算法来检测线条是否存在断裂、变形或扭曲的线条。

可选的，对于灰度检测，可通过比较像素值或灰度直方图，检测图像区域的亮度或颜色变化，以检测局部或全局位置是否存在发白情况。

可选的，对于毛刺检测，可使用边缘检测算法，来检测图像中与毛刺相关的高频噪音。

可选的，对于斑块检测，可利用聚类分析或图像分割算法，来检测图像中与斑块或污点相关的区域。

可选的，根据所选择的检测算法，对检测区域内的图像进行处理，并生成相应的检测结果。其中，检测结果可以是二值图像（表示缺陷位置）或详细的报告（包含缺陷类型、位置和严重程度等信息）。

在一实施例中，利用计算机视觉和图像处理技术，通过检测特征点位置和应用不同的缺陷检测算法，实现了对便携设备部件表面缺陷的自动化检测，不仅提高了对便携设备部件的表面缺陷检测的准确性和效率，还避免了人工检验的主观性带来的检测误差，和降低了人工检测成本。

在一实施例中，在上述实施例基础上，所述检测所述表面图片中的所述便携设备部件的特征点位置的步骤包括：

基于人工智能模型，检测所述表面图片中的所述便携设备部件的特征点位置；

其中，所述人工智能模型预先基于多个标注有便携设备部件的特征点的图片样本训练得到。

本实施例中，使用预先训练的人工智能模型，通过输入表面图片进行特征点检测。

可选的，人工智能模型可以是基于卷积神经网络 (CNN)、残差网络 (ResNet)、或者其他适用的模型，以识别部件的特征点。

可选的，在人工智能模型的训练阶段，通过收集包含便携设备部件的表面图片样本，并标注出其特征点位置。然后使用这些带有标注的图片样本训练人工智能模型，经多次迭代训练后，模型达到收敛，使其能够准确地检测出便携设备部件的特征点位置。

通过人工智能模型对表面图片中的便携设备部件进行特征点检测，可以实现自动化的特征点定位，并完成高效、精确的特征点定位，为后续的检测区域的确定和缺陷检测提供了有效的基础。

在一实施例中，在上述实施例的基础上，所述便携设备部件的缺陷检测方法还包括：

在所述便携设备部件进行线状缺陷检测之后，则对便携设备部件进行灰度检测；

在对所述便携设备部件进行灰度检测之后，则对便携设备部件进行毛刺检测或斑块检测。

本实施例中，便携设备部件对应的检测类型至少包括线状缺陷检测和灰度检测。

可选的，在执行步骤S40时，首先对便携设备部件进行线状缺陷检测，例如检测表面上的划痕、裂纹或者其他线状缺陷。这可以使用图像处理算法或者相应的模型，通过计算像素值的变化、边缘检测等方法来检测线状缺陷的存在与位置。

可选的，在线状缺陷检测之后，将检测区域内的图像进行灰度化处理，得到灰度图像，然后基于灰度图像对便携设备部件进行灰度检测，以检测图像中的亮度差异，发现可能存在的灰度异常或者缺陷。例如，可以通过计算像素值的平均值、标准差或其他灰度统计特征，可以评估图像的灰度分布情况，从而判断是否存在灰度异常。

可选的，在进行灰度检测之后，对灰度图像进行二值化处理，得到二值化图像，然后基于二值化图像对便携设备部件执行毛刺检测或斑块检测，以发现可能存在的细小缺陷或者斑点状缺陷。

可选的，若在灰度检测之后，选择先进行毛刺检测，则在毛刺检测之后，还可以继续进行斑块检测；或者，若在灰度检测之后，选择先进行斑块检测，则在斑块检测之后，还可以继续进行毛刺检测。

通过先检测线状缺陷，然后进行灰度检测，最后对便携设备部件进行毛刺检测或斑块检测，可以帮助快速、准确地发现便携设备部件上潜在的缺陷（即快速并准确地完成对便携设备部件的线状缺陷检测和灰度检测，以及完成毛刺检测或斑块检测），从而保证产品表面的检测质量。

在一实施例中，在上述实施例的基础上，所述便携设备部件的缺陷检测方法还包括：

根据设定参数，对所述便携设备部件进行线状缺陷检测；

其中，所述设定参数包括缺陷颜色、降噪系数、差异阈值、面积阈值和长度阈值中的至少一个。

本实施例中，在对便携设备部件进行线状缺陷检测时，使用相应的算法和设定参数来检测和识别线状缺陷，例如划痕、裂纹等。

可选的，设定参数可以根据具体需求和情况进行配置和选择，包括缺陷颜色、降噪系数、差异阈值、面积阈值和长度阈值中的至少一个。

其中，缺陷颜色即指定需要检测的缺陷的颜色，可以选择与背景颜色有明显差异的特定颜色，使其更容易被检测和区分。

其中，降噪系数，用于控制在缺陷检测过程中进行的图像降噪的程度。通过降噪可以滤除图像中的噪声，提高缺陷检测的准确性。

其中，差异阈值即设定进行像素值比较时用于判断差异的阈值。当像素值之间的差异超过阈值时，将其视为可能存在缺陷的区域。

其中，面积阈值即设置用于过滤和筛选掉非常小的缺陷区域的阈值。可以根据缺陷的预期大小和图像的特点进行设定。

其中，长度阈值，用于控制将缺陷识别为线状缺陷的最小长度阈值。小于该长度的缺陷可能被认为是噪声或其他非线状缺陷。

这样，根据设定参数，可以定制化调整线状缺陷检测算法，以满足具体应用场景和要求，而通过适当配置设定参数，能够提高检测的准确性和稳定性，强化对线状缺陷的识别能力。

在一实施例中，在上述实施例的基础上，所述便携设备部件的缺陷检测方法还包括：

在对所述便携设备部件进行灰度检测时，获取所述检测区域内的图像对应的灰度值；

检测所述灰度值是否满足灰度值区间，以检测所述便携设备部件是否存在发白情况。

本实施例中，在灰度检测过程中，根据设定的检测区域，获取该区域内每个像素的灰度值。其中，使用相应的图像处理算法或函数，将彩色图像转换为灰度图像，并获取每个像素的灰度值。

可选的，设定一个灰度值区间来判断获取到的图像灰度值是否满足发白情况的条件。这个灰度值区间设定有一个最小灰度值和最大灰度值，可以根据具体应用需求和设备特性进行设定。

可选的，对于每个像素的灰度值，判断其是否在设定的灰度值区间内。如果灰度值在指定的灰度值区间之外，即不满足灰度值区间，就视为发白区域。即如果灰度值超过灰度值区间，说明该像素在检测区域内出现了较亮的情况，可能存在发白的现象，此时可以将该像素标记为发白区域，进一步分析和处理，例如记录区域的坐标、计算发白的像素数量等。

这样，通过获取灰度值并与设定的灰度值区间进行比较，可以快速检测出便携设备部件中是否存在发白情况，这样有助于及时发现潜在的问题，并采取相应措施来保障产品的质量和可靠性。

在一实施例中，在上述实施例的基础上，所述便携设备部件的缺陷检测方法还包括：

对所述检测区域内的图像对应的灰度图像进行二值化处理，得到二值化图像；

基于所述二值化图像对所述便携设备部件进行毛刺检测和/或斑块检测。

本实施例中，先将检测区域范围内的图像转换为灰度图像，然后利用合适的阈值或者合适的图像分割算法，将灰度图像转换为二值化图像。

可选的，二值化方法可以是全局阈值法、局部阈值法（如自适应阈值法）和基于图像梯度的方法等。

其中，在转换二值化图像时，根据实际部件检测需求设定边界颜色为黑色或白色，黑色边界适用于具有较亮底色的部件，白色边界适用于具有较暗底色的部件；并可根据图像的亮度特征和背景噪声情况，选择合适的二值化阈值。

可选的，基于二值化图像，可以对便携设备部件进行毛刺检测和/或斑块检测。

可选的，对于毛刺检测，可以根据设定滤波器的长度，平滑二值化图像中的边缘或毛刺。然后通过设定边界缺陷的面积范围，筛选出符合预期缺陷大小的区域，以及根据部件的实际情况和缺陷标准，设定合适的面积范围。

其中，利用垂直过滤器，可以筛选出边界缺陷的高度，这可以通过定义合适的过滤器来提取出部件表面边界缺陷的高度特征。

通过设定边界颜色、二值化阈值、滤波器长度、面积范围以及垂直过滤器等参数，可以实现边界缺陷的检测功能，以此识别便携设备部件的内损和外损缺陷。

可选的，对于斑块检测，选择环形区域作为斑块检出的目标区域类型，环形区域可以帮助检测出具有特定形状（如圆形或环状）的斑块缺陷；以及，根据待检测的斑块颜色，将其设定为目标颜色，例如对于黑色斑块的检测，可以将目标颜色设定为黑色；并且设定斑块的面积范围，以便筛选出符合预期缺陷大小的斑块区域，其中，可以根据部件的实际情况和缺陷标准，设定合适的面积范围。

这样，通过选择检出区域类型为环形区域、设定目标斑块颜色、二值化阈值和面积范围等参数，可以实现黑色斑块的检测功能，如检测出便携设备部件的压伤、脏污、麻点、侧压、凹陷等缺陷，从而判断其表面外观的质量状况。

在一实施例中，通过图像的二值化处理、毛刺检测和斑块检测等步骤，可以对所述便携设备部件进行细节的检测和分析。检测结果可以提供给用户或维修人员，帮助判断部件的质量状况，并采取适当的措施如清洁或维修。

在一实施例中，在上述实施例的基础上，所述便携设备部件的缺陷检测方法还包括：

检测到所述便携设备部件存在缺陷时，利用预设颜色在所述表面图片中标示出相应的缺陷。

本实施例中，设定合适的预设颜色来标示缺陷区域，预设颜色的选择可以根据视觉效果的需求和缺陷类型进行调整，例如可以选择红色作为预设颜色。

可选的，检测到所述便携设备部件存在缺陷时，通过图像处理技术将预设颜色标示在所述表面图片中的相应缺陷位置上。其中，标示可以采用绘图算法或图像叠加技术，将预设颜色覆盖在缺陷区域上，使其在图片中可视化。

可选的，图片标示的结果可以作为检测结果的一部分，即通过在表面图片中标示出缺陷区域，并将其作为检测结果呈现给检测人员，可以提供直观的视觉信息，帮助他们了解部件的缺陷情况。这样的检测结果可以包括原始表面图片以及标示了缺陷区域的图片，以便用户或维修人员更好地分析和处理缺陷。检测结果的展示可以通过报告、图像文件或可视化界面等形式进行，以满足不同需求。同时，这些结果也可以用作记录和跟踪，以便日后参考和分析。

在一实施例中，通过利用预设颜色在表面图片中标示缺陷区域，可以让检测人员直观地了解到部件上的缺陷位置和分布情况。这有助于检测人员有效识别便捷设备部件的压伤、脏污、麻点、侧压、凹陷等缺陷，并采取相应的补救措施，以提高便捷设备部件的外观质量。

此外，参照图2，本申请实施例中还提供一种缺陷检测装置Z10，包括：

图片采集模块Z11，用于获取便携设备部件的表面图片；

特征检测模块Z12，用于检测所述表面图片中的所述便携设备部件的特征点位置；

区域定位模块Z13，用于根据所述特征点位置确定所述表面图片对应的检测区域；

处理模块Z14，用于根据所述便携设备部件对应的检测类型，调用所述检测类型对应的检测算法对所述检测区域内的图像进行缺陷检测，并生成检测结果；其中，所述检测类型包括线状缺陷检测、灰度检测、毛刺检测和斑块检测中的至少一个。

可选的，所述缺陷检测装置可以是一种虚拟控制装置（如虚拟机），也可以是实体设备（如除计算机设备外的可执行相应方法的实体设备）。

此外，本申请实施例中还提供一种计算机设备，该计算机设备内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口和数据库。其中，该处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储计算机程序调用的数据。该计算机设备的通信接口用于与外部的终端进行数据通信。该计算机设备的输入装置用于接收外部设备输入的信号。该计算机程序被处理器执行时以实现一种如以上实施例所述的便携设备部件的缺陷检测方法。

本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。

此外，本申请还提出一种计算机可读存储介质，所述计算机可读存储介质包括计算机程序，所述计算机程序被处理器执行时实现如以上实施例所述的便携设备部件的缺陷检测方法的步骤。可以理解的是，本实施例中的计算机可读存储介质可以是易失性可读存储介质，也可以为非易失性可读存储介质。

综上所述，为本申请实施例中提供的便携设备部件的缺陷检测方法、缺陷检测装置、计算机设备和计算机可读存储介质，利用计算机视觉和图像处理技术，通过检测特征点位置和应用不同的缺陷检测算法，实现了对便携设备部件表面缺陷的自动化检测，不仅提高了对便携设备部件的表面缺陷检测的准确性和效率，还避免了人工检验的主观性带来的检测误差，和降低了人工检测成本。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM通过多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双速据率SDRAM（SSRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink）DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。

以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本申请的专利保护范围内。