CN113706446B - 一种镜头检测方法和相关装置 - Google Patents
一种镜头检测方法和相关装置 Download PDFInfo
- Publication number
- CN113706446B CN113706446B CN202110342784.6A CN202110342784A CN113706446B CN 113706446 B CN113706446 B CN 113706446B CN 202110342784 A CN202110342784 A CN 202110342784A CN 113706446 B CN113706446 B CN 113706446B
- Authority
- CN
- China
- Prior art keywords
- image
- region
- determining
- defect
- texture
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 147
- 230000007547 defect Effects 0.000 claims abstract description 323
- 238000000034 method Methods 0.000 claims description 48
- 238000003860 storage Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 19
- 230000002093 peripheral effect Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 230000000877 morphologic effect Effects 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 22
- 238000013473 artificial intelligence Methods 0.000 abstract description 13
- 238000010586 diagram Methods 0.000 description 15
- 230000011218 segmentation Effects 0.000 description 15
- 230000006870 function Effects 0.000 description 14
- 238000005286 illumination Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000005484 gravity Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Testing Of Optical Devices Or Fibers (AREA)
Abstract
本申请实施例公开了一种镜头检测方法和相关装置，至少涉及人工智能中的计算机视觉技术，基于纹理将目标镜头分为第一类区域和第二类区域，并从待测图像和模板图像中确定出待测纹理图像、待测平滑图像、模板纹理图像和模板平滑图像，根据同一个位置的像素分别在待测纹理图像和模板纹理图像中的灰度值，基于对应第一类区域的灰度差分模式确定待测纹理图像中的第一待定缺陷子区域；以及根据同一个位置的像素分别在待测平滑图像和模板纹理图像中的灰度值，基于对应第二类区域的灰度差分模式确定待测平滑图像中的第二待定缺陷子区域；根据第一待定缺陷子区域和第二待定缺陷子区域确定目标镜头的质量，实现了目标镜头的故障检测，提高了故障检测精度。
Description
技术领域
本申请涉及数据处理技术领域，特别是涉及一种镜头检测方法和相关装置。
背景技术
智能终端一般都配置有图像采集功能的图像采集模组，用户可以通过智能终端的图像采集模组(例如手机的前、后置镜头)完成自拍、景物拍摄等功能。
镜头作为图像采集单元的关键组件，镜头的质量将会直接影响图像采集模组的成像质量，因此对镜头的缺陷检测的精度要求很高，需要避免有质量缺陷的镜头被配置到智能终端中。
相关技术中，镜头缺陷检测一般采用人工检测，人工检测速度慢，而且极其依赖人为经验，经常出现漏检、错检问题。
发明内容
为了解决上述技术问题，本申请提供了一种镜头检测方法和相关装置，用于提高镜头检测的效率和准确率。
本申请实施例公开了如下技术方案：
一方面，本申请提供一种镜头检测方法，所述方法包括：
获取包括目标镜头的待测图像，以及所述目标镜头的模板图像；
确定所述目标镜头的第一类区域和第二类区域，所述第一类区域是根据所述目标镜头的纹理部分确定的，所述第二类区域是根据所述目标镜头的非纹理部分确定的；
从所述待测图像中确定所述第一类区域对应的待测纹理图像和所述第二类区域对应的待测平滑图像，以及从所述模板图像中确定所述第一类区域对应的模板纹理图像和所述第二类区域对应的模板平滑图像；
根据同一个位置的像素分别在所述待测纹理图像和所述模板纹理图像中的灰度值，基于对应所述第一类区域的灰度差分模式确定所述待测纹理图像中的第一待定缺陷子区域；以及
根据同一个位置的像素分别在所述待测平滑图像和所述模板纹理图像中的灰度值，基于对应所述第二类区域的灰度差分模式确定所述待测平滑图像中的第二待定缺陷子区域；
根据所述第一待定缺陷子区域和所述第二待定缺陷子区域确定所述目标镜头的质量。
另一方面，本申请提供一种镜头检测装置，所述装置包括：获取单元和确定单元；
所述获取单元，用于获取包括目标镜头的待测图像，以及所述目标镜头的模板图像；
所述确定单元，用于确定所述目标镜头的第一类区域和第二类区域，所述第一类区域是根据所述目标镜头的纹理部分确定的，所述第二类区域是根据所述目标镜头的非纹理部分确定的；
从所述待测图像中确定所述第一类区域对应的待测纹理图像和所述第二类区域对应的待测平滑图像，以及从所述模板图像中确定所述第一类区域对应的模板纹理图像和所述第二类区域对应的模板平滑图像；
根据同一个位置的像素分别在所述待测纹理图像和所述模板纹理图像中的灰度值，基于对应所述第一类区域的灰度差分模式确定所述待测纹理图像中的第一待定缺陷子区域；以及
根据同一个位置的像素分别在所述待测平滑图像和所述模板纹理图像中的灰度值，基于对应所述第二类区域的灰度差分模式确定所述待测平滑图像中的第二待定缺陷子区域；
根据所述第一待定缺陷子区域和所述第二待定缺陷子区域确定所述目标镜头的质量。
另一方面，本申请提供一种计算机设备，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行上述方面所述的方法。
另一方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行上述方面所述的方法。
另一方面，本申请实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述方面所述的方法。
由上述技术方案可以看出，在利用包括目标镜头的待测图像，以及目标镜头对应的模板图像对目标镜头进行缺陷检测时，由于镜头表面一般通过纹理部分和非纹理部分构成，这两个部分的表面物理特征迥异，如果按照统一的检测标准来进行缺陷检测，可能会得到错误的检测结果。故可以基于纹理确定目标镜头中对应纹理部分的第一类区域和对应非纹理部分的第二类区域，针对不同类的区域采用针对性的检测方式。其中，从待测图像中确定第一类区域对应的待测纹理图像和第二类区域对应的待测平滑图像，以及从模板图像中确定第一类区域对应的模板纹理图像和第二类区域对应的模板平滑图像。针对第一类区域，根据同一个位置的像素分别在待测纹理图像和模板纹理图像中的灰度值，基于对应第一类区域的灰度差分模式确定待测纹理图像中的第一待定缺陷子区域，针对第二类区域，根据同一个位置的像素分别在待测平滑图像和模板平滑图像中的灰度值，基于对应第二类区域的灰度差分模式确定待测平滑图像中的第二待定缺陷子区域。根据第一待定缺陷子区域和第二待定缺陷子区域确定目标镜头的质量。由此，通过将目标镜头基于纹理划分为两类区域，分别针对每类区域独立采用针对性的方式进行缺陷检测，有效考量到不同类型镜面物理特征对缺陷检测的影响，对于纹理部分和非纹理部分的缺陷检测精度均得到了提高，而且基于纹理的区域划分可以根据不同镜头的特定镜面物理组成进行调整，灵活性更高，适用于各种类型镜头的缺陷检测。从而减少了人为经验在缺陷检测中的比重，并提高了检测效率。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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本申请实施例提供的一种镜头检测方法的应用场景示意图；
图2为本申请实施例提供的一种镜头检测方法的流程图；
图3为本申请实施例提供的一种差分图多阈值分割的示意图；
图4为本申请实施例提供的一种通过形态学膨胀处理第二待定缺陷子区域的示意图；
图5为本申请实施例提供的一种镜头检测应用场景的示意图；
图6为本申请实施例提供的一种镜头检测装置的结构示意图；
图7为本申请实施例提供的一种服务器的结构示意图；
图8为本申请实施例提供的一种终端设备的结构示意图。
具体实施方式
下面结合附图，对本申请的实施例进行描述。
相关技术中，镜头检测多数还是依赖人工检测，该方法检测速度慢，检测一致性差，且人员培训周期和人工成本高。目前也有一些采用固定阈值或自适应阈值分割算法进行检测的方案，但不足之处在于：镜头区域结构纹理复杂，单阈值分割难以区分缺陷和镜头本身结构，且镜头有的部分存在大量纹理干扰，现有的阈值方法难以进行有效分割缺陷。
基于此，本申请实施例提供一种镜头检测方法和相关装置，用于提高镜头检测的效率和准确率。
本申请实施例提供的镜头检测方法是基于人工智能实现的，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
在本申请实施例中，主要涉及的人工智能技术包括上述计算机视觉技术、机器学习/深度学习等方向。
本申请提供的镜头检测方法可以应用于具有数据处理能力的镜头检测设备，如终端设备、服务器。其中，终端设备具体可以为智能手机、台式计算机、笔记本电脑、平板电脑、智能音箱、智能手表等智能终端，但并不局限于此；服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云计算服务的云服务器。终端设备以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。
该镜头检测设备可以具备计算机视觉技术能力。计算机视觉技术(ComputerVision，CV)计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、等技术。
该镜头检测设备可以具备机器学习能力。机器学习(Machine Learning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络等技术。
在本申请实施例提供的镜头检测方法中，采用的人工智能模型主要涉及对计算机视觉技术的应用，通过图像处理、图像识别等方法确定待测图像中目标镜头的质量。
本申请实施例提供的镜头检测设备还具备云计算能力，利用云计算能力对目标镜头进行故障检测。
为了便于理解本申请的技术方案，下面结合实际应用场景，以服务器作为镜头检测设备对本申请实施例提供的镜头检测方法进行介绍。
参见图1，该图为本申请实施例提供的一种镜头检测方法的应用场景示意图。在图1所示的应用场景中，目标镜头为智能手机的后置摄像头，前述所述的镜头检测设备为服务器100，用于确定后置摄像头是否具有质量问题。如果确定该后置摄像头没有质量问题，后续可以将该后置摄像头安装至智能手机中。
为了检测目标镜头是否具有质量问题，拍摄包括有目标镜头的待测图像，服务器100获取待测图像和目标镜头的模板图像，其中，模板图像是预先收集的包括不存在质量问题的标准镜头的图像，标准镜头与目标镜头属于同一种类型的镜头。
镜头表面一般包括纹理部分和非纹理部分，这两个部分的表面物理特征迥异，如果按照统一的检测标准来进行缺陷检测，可能会得到错误的检测结果。
为了提高检测的准确性，基于目标镜头的纹理，将目标镜头分为基于纹理部分确定的第一类区域和基于非纹理部分确定的第二类区域，以便针对不同类的区域采用不同的检测标准来进行缺陷检测。服务器100从待测图像中确定出第一类区域对应的待测纹理图像和第二类区域对应的待测平滑图像，以及从模板图像中确定第一类区域对应的模板纹理图像和第二类区域对应的模板平滑图像。
服务器100根据不同区域的特点采用不同的方式对其对应的图像进行处理。针对第一类区域，根据同一个位置的像素分别在待测纹理图像和模板纹理图像中的灰度值，基于对应第一类区域的灰度差分模式，如纹理灰度差分模式确定待测纹理图像中的第一待定缺陷子区域。针对第二类区域，根据同一个位置的像素分别在待测平滑图像和模板平滑图像中的灰度值，基于对应第二类区域的灰度差分模式，如平滑灰度差分模式确定待测平滑图像中的第二待定缺陷子区域。
根据第一待定缺陷子区域和第二待定缺陷子区域确定目标镜头的质量，如图1所示的应用场景，根据第一待定缺陷子区域和第二待定缺陷子区域确定目标镜头具有质量问题。
由此，通过将目标镜头基于纹理划分为两类区域，分别针对每类区域独立采用针对性的方式进行缺陷检测，有效考量到不同类型镜面物理特征对缺陷检测的影响，对于纹理部分和非纹理部分的缺陷检测精度均得到了提高，而且基于纹理的区域划分可以根据不同镜头的特定镜面物理组成进行调整，灵活性更高，适用于各种类型镜头的缺陷检测，减少了人为经验在缺陷检测中的比重，并提高了检测效率。
下面结合附图，以服务器作为镜头检测设备，对本申请实施例提供的一种镜头检测方法进行介绍。
参见图2，该图为本申请实施例提供的一种镜头检测方法的流程图。如图2所示，该镜头检测方法包括以下步骤：
S201：获取包括目标镜头的待测图像，以及目标镜头的模板图像。
模板图像为包括不存在质量问题的标准镜头的图像，标准镜头与目标镜头属于同一种类型的镜头，可以预先收集不同类型的标准镜头的模板图像，以便对不同类型的目标镜头进行缺陷检测。
作为一种可能的实现方式，待测图像的尺寸与模板图像的尺寸相同，若服务器获取的图像(以下简称预处理图像)的尺寸比模板图像的尺寸大，可以通过模板匹配方法在预处理图像中进行图像定位，即在预处理图像中搜索目标区域图像，该目标区域图像与模板图像具有相同的尺寸、方向和图像元素等，定位成功后，在预处理图像中截取出目标区域图像，截取后的目标区域图像即为待测图像，该待测图像中包括目标镜头。
S202：确定目标镜头的第一类区域和第二类区域。
由于镜头的物理结构复杂，不同物理结构常采用不同的材质，而不同材质对应的纹理不同，例如，镜头凸面常采用磨砂杆，磨砂杆具有大量的纹理，而镜头端面一般为镜面，较为平滑，故镜头的不同部分对应的表面物理特征不同。
相关技术中，还采用差分图阈值分割技术进行缺陷检测。该种方式首先将待测图像与模板图像进行匹配和对齐，然后求对齐后的待测图像与模板图像的灰度像素值的绝对差值—差分图，最后对差分图进行单阈值分割(统一的检测标准)提取出待测图像中的缺陷区域，确定待测图像的质量。
由于目标镜头的不同部分对应的表面物理特征不同，若按照相关技术中统一的检测标准来进行缺陷检测，有些部分的检测结果准确性较低，甚至是错误的，从而目标镜头的整体检测结果准确性较低。故可以基于纹理将目标镜头分为两类区域，分别是基于纹理部分确定的第一类区域和基于非纹理确定的第二类区域，如前述目标镜头的凸面属于第一类区域，目标镜头的端面属于第二类区域。从而不同类区域采用不同的检测方法，提高检测结果的准确性。
需要说明的是，本申请实施例不具体限定第一类区域和第二类区域的数量，可以为一个也可以为多个。例如，端面内部还可以进一步细分为多个区域。
需要说明的是，不同类型的镜头的物理结构不同，针对不同的物理结构可以确定其对应的第一类区域和第二类区域的位置，再配合每种类型的镜头对应的模板图像，便可针对不同类型的镜头实现缺陷检测。
S203：从待测图像中确定第一类区域对应的待测纹理图像和第二类区域对应的待测平滑图像，以及从模板图像中确定第一类区域对应的模板纹理图像和第二类区域对应的模板平滑图像。
为了能够针对第一类区域和第二类区域分别进行有针对性的检测，获取待测图像和模板图像中第一类区域和第二类区域对应的图像，即从待测图像中确定第一类区域对应的待测纹理图像和第二类区域对应的待测平滑图像，以及从模板图像中确定第一类区域对应的模板纹理图像和第二类区域对应的模板平滑图像。
例如，继续以图1所示的目标镜头为例，该目标镜头包括端面和凸面，可以在模板图像T上通过人工标注等方式划分出凸面区域Amask和端面区域Bmask。从待测图像S中确定出凸面区域Amask对应的待测纹理图像SA可以表示为SA＝S×Amask，即待测纹理图像SA为待测图像S中处于凸面区域Amask部分的图像。从待测图像S中确定出端面区域Bmask对应的待测平滑图像SB可以表示为SB＝S×Bmask，即待测平滑图像SB为待测图像S中处于端面区域Bmask部分的图像。从模板图像T中确定出凸面区域Amask对应的模板纹理图像TA可以表示为TA＝T×Amask，即模板纹理图像TA为模板图像T中处于凸面区域Amask部分的图像。从模板图像T中确定出端面区域Bmask对应的模板平滑图像TB可以表示为TB＝T×Bmask，即模板平滑图像TB为模板图像T中处于端面区域Bmask部分的图像。
由此，可以根据图像属性(平滑图像、纹理图像)的不同，使用分区域检测方案，即目标镜头的端面和凸面采用不同的缺陷检测方法，相比于相关技术中统一的检测标准对待测图像和模板图像整体进行比对，本申请实施例通过分区域比对，将缺陷检测由图像级检测精细到图像块级检测，每个区域的缺陷检测方案相互独立，不仅更具有针对性，且不同区域的缺陷检测精度均得到了提高，目标镜头的整体检测结果的准确性也得到了提高。
S204：根据同一个位置的像素分别在待测纹理图像和模板纹理图像中的灰度值，基于对应第一类区域的灰度差分模式确定待测纹理图像中的第一待定缺陷子区域；以及根据同一个位置的像素分别在待测平滑图像和模板纹理图像中的灰度值，基于对应第二类区域的灰度差分模式确定待测平滑图像中的第二待定缺陷子区域。
将待测图像和模板图像根据第一类区域和第二类区域进行分区后，第一类区域和第二类区域对应的图像采用不同的检测方法针对性的进行检测。下面分别进行说明。
(一)针对第一类区域
对于目标镜头的纹理部分，采用待测纹理图像和模板纹理图像进行比对，通过对应第一类区域的灰度差分模式，针对待测纹理图像和模板纹理图像中同一个位置的像素的灰度值，确定待测纹理图像中的第一待定缺陷子区域。
例如，在待测纹理图像和模板纹理图像的左上角建立平面直角坐标系，分别在待测纹理图像和模板纹理图像中找到表示目标镜头同一个位置的像素的坐标，若两个坐标处的灰度值的差值在允许范围内，则待测纹理图像中该坐标对应的位置不存在质量问题；若两个坐标处的灰度值的差值超过允许范围，则待测纹理图像中该坐标对应的位置可能存在质量问题，从而可以确定出第一待定缺陷子区域。
需要说明的是，本申请实施例不具体限定建立平面直角坐标系的原点位置。
其中，第一类区域的灰度差分模式是针对目标镜头的纹理部分的表面物理特征设置的，本申请对此不做具体限定。下面以第一类区域的灰度差分模式为差分图单阈值分割方式为例进行说明，参见S204a1-S204a2。
S204a1：根据同一个位置的像素分别在待测纹理图像和模板纹理图像中的灰度值，确定像素对应的灰度差值。
S204a2：基于像素中灰度差值大于纹理差分阈值的第一目标像素，确定第一待定缺陷子区域。
例如，以图1所示的目标镜头的凸面区域为例，分别在待测纹理图像SA和模板纹理图像TA中获取表征凸面区域的同一个位置的像素的灰度值，获取两个灰度值的绝对差值(一种像素对应的灰度差值)，根据待测纹理图像SA和模板纹理图像TA中对应像素的绝对差值，可以得到与模板图像尺寸相同的差分图AD，可以表示为AD＝|TA-SA|。
使用纹理差分阈值tA1对差分图AD进行单阈值分割，将差分图AD中高于纹理差分阈值tA1对应的像素作为第一目标像素，第一目标像素对应于待测纹理图像，确定第一目标像素构成的凸面缺陷图像掩膜(mask)图AM，将凸面缺陷mask图AM的连通域确定为第一待定缺陷子区域。
需要说明的是，第一待定缺陷子区域可以是一个，也可以是多个，本申请对此不做具体限定。
(二)针对第二类区域
对于目标镜头的非纹理部分，采用待测平滑图像和模板平滑图像进行比对，通过对应第二类区域的灰度差分模式，针对待测平滑图像和模板平滑图像中同一个位置的像素的灰度值，确定待测纹理图像中的第二待定缺陷子区域。
例如，在待测平滑图像和模板平滑图像的左下角建立平面直角坐标系，分别在待测平滑图像和模板平滑图像中找到表示目标镜头同一个位置的像素的坐标，若两个坐标处的灰度值的差值在允许范围内，则待测平滑图像中该坐标对应的位置不存在质量问题；若两个坐标处的灰度值的差值超过允许范围，则待测平滑图像中该坐标对应的位置可能存在质量问题，确定为第二待定缺陷子区域。
其中，第二类区域的灰度差分模式是针对目标镜头的非纹理部分的表面物理特征设置的，本申请对此不做具体限定。下面以第二类区域的灰度差分模式为差分图多阈值分割方式为例进行说明，参见S204b1-S204b3。
S204b1：根据同一个位置的像素分别在待测平滑图像和模板纹理图像中的灰度值，确定像素对应的灰度差值。
例如，以图1所示的目标镜头的端面区域为例，分别在待测平滑图像SB和模板平滑图像TB中获取表征端面区域的同一个位置的像素的灰度值，获取两个灰度值的绝对差值(一种像素对应的灰度差值)，根据待测平滑图像SB和模板平滑图像TB中对应像素的绝对差值，可以得到与模板图像尺寸相同的差分图BD，可以表示为BD＝|TB-SB|。
S204b2：根据像素的位置参数确定像素所处的灰度区域。
虽然目标镜头的非纹理区域相对于纹理区域是平滑的，但是目标镜头的非纹理区域中不同区域的灰度值可能会存在差异。例如，若目标镜头的端面由多个环形构成，待测图像中不同环形区域的灰度值存在明显差异，若相同类型的缺陷落在不同的环形区域中，其与不同环形区域的灰度差异幅度也不一致。
如图1所示的目标镜头，存在三个环形区域，具体参见图3，假设三个环形区域中，白色圆环所示的区域的灰度均值为G1，条纹圆环所示的区域的灰度均值为G2，以及黑色圆环所示的区域的灰度均值为G3，G1≠G2≠G3。若存在一个缺陷的灰度均值为G0，则有G1-G0≠G2-G0≠G3-G0。故若针对目标镜头的端面，使用统一的阈值进行缺陷检测会导致检测结果不精确。
基于此，可以基于第二类区域中的灰度值分布确定不同的灰度区域，如将灰度值落入同一个区间的像素确定为一个灰度区域，根据不同的灰度区域的灰度均值设置不同的区域差分阈值，即根据灰度区域可以设置多个区域差分阈值。例如，若灰度区域至少包括第一灰度区域和第二灰度区域，第一灰度区域对应的区域差分阈值与第二灰度区域对应的区域差分阈值不同。
例如，如图1所示的目标镜头，按照灰度值分布可以将第二类区域划分为三个灰度区域，即每一个环形区域为一个灰度区域，为三个灰度区域分别分配三个区域差分阈值[tB1，tB2，tB3]，tB1≠tB2≠tB3。
由此，按照灰度值分布确定灰度区域，不同灰度区域设置不同的区域差分阈值，可以降低不同灰度区域对于同一个缺陷的差异，从而提高每一个灰度区域检测结果的精确性，进而提高整体检测结果的精确性。
S204b3：基于像素中灰度差值大于灰度区域所对应区域差分阈值的第二目标像素，确定第二待定缺陷子区域。
根据像素的位置参数确定该像素所处的灰度区域后，若该像素的灰度值大于其所处的灰度区域对应的区域差分阈值，将该像素作为第二目标像素，第二目标像素对应于待测平滑图像，第二目标像素构成的区域为第二待定缺陷子区域。
需要说明的是，第二待定缺陷子区域可以是一个，也可以是多个，本申请对此不做具体限定。
例如，使用三个区域差分阈值[tB1，tB2，tB3]对差分图BD进行多阈值分割，将第一个灰度区域中高于其对应的区域差分阈值tB1的像素点作为第二目标像素，同理，将第二个灰度区域中高于其对应的区域差分阈值tB2的像素点作为第二目标像素，将第三个灰度区域中高于其对应的区域差分阈值tB3的像素点作为第二目标像素，确定第二目标像素构成的端面缺陷mask图BM，将端面缺陷mask图BM的连通域确定为第二待定缺陷子区域。
S205：根据第一待定缺陷子区域和第二待定缺陷子区域确定目标镜头的质量。
例如，继续以图1所示的目标镜头为例，凸面缺陷mask图AM和端面缺陷mask图BM标识的目标镜头的位置可能存在质量问题，由此便可确定目标镜头的质量，例如是否存在质量问题，对应缺陷的位置等。
由上述技术方案可以看出，在利用包括目标镜头的待测图像，以及目标镜头对应的模板图像对目标镜头进行缺陷检测时，由于镜头表面一般通过纹理部分和非纹理部分构成，这两个部分的表面物理特征迥异，如果按照统一的检测标准来进行缺陷检测，可能会得到错误的检测结果。故可以基于纹理确定目标镜头中对应纹理部分的第一类区域和对应非纹理部分的第二类区域，针对不同类的区域采用针对性的检测方式。其中，从待测图像中确定第一类区域对应的待测纹理图像和第二类区域对应的待测平滑图像，以及从模板图像中确定第一类区域对应的模板纹理图像和第二类区域对应的模板平滑图像。针对第一类区域，根据同一个位置的像素分别在待测纹理图像和模板纹理图像中的灰度值，基于对应第一类区域的灰度差分模式确定待测纹理图像中的第一待定缺陷子区域，针对第二类区域，根据同一个位置的像素分别在待测平滑图像和模板平滑图像中的灰度值，基于对应第二类区域的灰度差分模式确定待测平滑图像中的第二待定缺陷子区域。根据第一待定缺陷子区域和第二待定缺陷子区域确定目标镜头的质量。由此，通过将目标镜头基于纹理划分为两类区域，分别针对每类区域独立采用针对性的方式进行缺陷检测，有效考量到不同类型镜面物理特征对缺陷检测的影响，对于纹理部分和非纹理部分的缺陷检测精度均得到了提高，而且基于纹理的区域划分可以根据不同镜头的特定镜面物理组成进行调整，灵活性更高，适用于各种类型镜头的缺陷检测。从而减少了人为经验在缺陷检测中的比重，并提高了检测效率。
若待测图像和模板图像中存在诸如光照等因素的干扰，确定出的第一待定缺陷子区域和第二待定缺陷子区域可能不是真的缺陷，从而容易出现误检测的问题。为了提高确定目标镜头的质量的精确性，可以进一步对第一待定缺陷子区域和第二待定缺陷子区域进行校验，下面分别进行说明。
(一)校验第一待定缺陷子区域
第一待定缺陷子区域是针对目标镜头的纹理部分确定的，由于纹理部分的纹路不规则，即使是相同位置，同一种类型的镜头的纹理也可能存在不同。故对于目标镜头的同一个位置，由于待测纹理图像和模板纹理图像的纹理存在差异，可能会将待测纹理图像中该位置识别成缺陷。
基于此，本申请实施例提出根据图像特征进行二次比对，降低缺陷的误识别率，具体参见S301-S303。
S301：确定第一待定缺陷子区域的第一区域图像特征，以及第一待定缺陷子区域在模板纹理图像中所对应区域的第二区域图像特征。
第一待定缺陷子区域为待测纹理图像中的部分区域，获取该部分区域的第一区域图像特征，并获取该部分区域对应的位置在模板纹理图像中的第二区域图像特征。
本申请实施例不具体限定第一区域图像特征和第二区域图像特征，可以为纹理特征、像素特征等，第一区域图像特征和第二区域图像特征属于同一种特征。
S302：根据第一区域图像特征和第二区域图像特征的特征差异，确定第一待定缺陷子区域中的第一真实缺陷子区域。
下面以第一区域图像特征和第二区域图像特征为局部二值模式(Local BinaryPattern，LBP)特征为例进行说明，参见S3021-S3023。其中，LBP特征，是一种用来描述图像局部纹理特征的算子，属于纹理特征的一种，具有旋转不变性和灰度不变性等显著的优点。
S3021：确定第一区域图像特征对应的第一纹理特征直方图，以及第二区域图像特征对应的第二纹理特征直方图。
例如，继续以图1所示的目标镜头为例，通过S301获取待测纹理图像SA的第一区域图像特征为特征图SA-LBP，以及模板纹理图像TA的第二区域图像特征为特征图TA-LBP。
若获得的第一待定缺陷子区域为一个，获取SA-LBP对应的直方图(第一纹理特征直方图)，以及TA-LBP对应的直方图(第二纹理特征直方图)。
若获得的第一待定缺陷子区域为多个，多个第一待定缺陷子区域构成第一待定缺陷子区域集合AM-array，然后计算AM-array中每一个第一待定缺陷子区域下对应SA-LBP的直方图并归一化，得到待测纹理图像对应的第一区域图像特征集合SH-array。同理，计算AM-array中每一个第一待定缺陷子区域下对应TA-LBP的直方图并归一化，得到模板纹理图像对应的第一区域图像特征集合TH-array。
需要说明的是，还可以将一个第一待定缺陷子区域划分为多个，根据多个划分后的第一待定缺陷子区域确定第一纹理特征直方图以及第二纹理特征直方图，以便后续的检测更为精确。
S3022：根据第一纹理特征直方图和第二纹理特征直方图确定纹理特征差异。
例如，使用OpenCV(Open Source Computer Vision Library，是一个跨平台的计算机视觉库)函数compareHist()计算TH-array和SH-array中每个对应的直方图的差异，将该差异确定为纹理特征差异。
S3023：将纹理特征差异大于纹理阈值的第一待定缺陷子区域确定为第一真实缺陷子区域。
例如，若纹理特征差异大于纹理阈值tA2，说明在待测纹理图像SA中，该纹理特征差异对应的第一待定缺陷子区域为真实的缺陷区域，确定为第一真实缺陷子区域。
若获得了多个第一真实缺陷子区域，可以将多个第一待定缺陷子区域叠加，得到目标镜头的凸面真缺陷mask图AM-ture。
S303：根据第一真实缺陷子区域和第二待定缺陷子区域确定目标镜头的质量。
由此，从第一待定缺陷子区域中确定出较为真实的第一真实缺陷子区域，相比于根据第一待定缺陷子区域和第二待定缺陷子区域确定目标镜头的质量，根据第一真实缺陷子区域和第二待定缺陷子区域确定目标镜头的质量的准确性提高了。
(二)校验第二待定缺陷子区域
第二待定缺陷子区域是针对目标镜头的非纹理部分确定的，其对应的第二待定缺陷子区域也可能存在误检测的问题，基于此，本申请实施例提出根据图像特征进行二次比对，降低缺陷的误识别率，具体参见S401-S404。
S401：确定第二待定缺陷子区域的第三区域图像特征，以及第二待定缺陷子区域在模板平滑图像中所对应区域的第四区域图像特征。
第二待定缺陷子区域为待测平滑图像中的部分区域，获取该部分区域的第三区域图像特征，并获取该部分区域对应的位置在模板平滑图像中的第四区域图像特征。
本申请实施例不具体限定第三区域图像特征和第四区域图像特征，可以为纹理特征、像素特征等，第三区域图像特征和第四区域图像特征属于同一种特征。
S402：根据第三区域图像特征和第四区域图像特征的特征差异，确定第二待定缺陷子区域的互相关差异参数。
下面以第三区域图像特征和第四区域图像特征为像素均值为例进行说明，其中，像素均值属于像素特征的一种。
例如，若获得的第二待定缺陷子区域为一个，通过S401获取该第二待定缺陷子区域的像素均值，以及该第二待定缺陷子区域在模板平滑图像中所对应区域的像素均值，两个像素均值的绝对差值(一种特征均值差值)为互相关差异参数。
若获得的第二待定缺陷子区域为多个，多个第二待定缺陷子区域构成第二待定缺陷子区域集合BM-array，然后计算BM-array中每一个第二待定缺陷子区域下对应SB的像素均值，得到待测平滑图像对应的第三区域图像特征集合Smean-array。同理，计算BM-array中每一个第二待定缺陷子区域下对应TB的像素均值，得到模板平滑图像对应的第三区域图像特征集合Tmean-array。最后计算Smean-array和Tmean-array中每个对应的像素均值的绝对差值，获得多个互相关差异参数Dc，可以表示为Dc＝|Tmean-array-Smean-array|。
需要说明的是，还可以将一个第二待定缺陷子区域划分为多个，根据多个划分后的第二待定缺陷子区域确定第二待定缺陷子区域的互相关差异参数，以便后续的检测更为精确。
S403：通过互相关差异参数，确定第二待定缺陷子区域中的第二真实缺陷子区域。
例如，若互相关差异参数大于预设的阈值，该互相关差异参数对应的第二待定缺陷子区域为真实的缺陷区域，确定为第二真实缺陷子区域。
需要说明的是，相比于纹理部分，非纹理部分受光照影响较大，若待测平滑图像和模板平滑图像不是在同一个光照情况下获得的，例如，光源在目标镜头的正上方时拍摄了待测图像，光源在标准镜头的右上方时拍摄了模板图像，此时待测平滑图像和模板平滑图像对于光源的反光区域是不同的在根据模板平滑图像进行比对时，待测平滑图像中受光照影响的区域(如反光区域)可能会被识别为缺陷。
基于此，本申请实施例提出根据周围的像素进行比较，寻找待测平滑图像中受光照影响的区域，去除该部分区域对缺陷识别的影响，从而降低缺陷的误识别率，具体参见S4031-S4034。
S4031：基于对第二待定缺陷子区域的形态学膨胀处理，确定第二待定缺陷子区域的周边区域。
参见图4，该图为本申请实施例提供的一种通过形态学膨胀处理第二待定缺陷子区域的示意图。其中，第二待定缺陷子区域为斑点区域，第二待定缺陷子区域的周边区域为斑点区域的周围的白色区域。通过形态学膨胀处理，获取第二待定缺陷子区域的周边区域，以便第二待定缺陷子区域根据其周边区域进行比较，判断该第二待定子区域是否受光照影响。
S4032：确定周边区域的第五区域图像特征。
本申请实施例不具体限定第五区域图像特征，可以为纹理特征、像素特征等，第五区域图像特征和第三区域图像特征属于同一种特征。
S4033：根据第三区域图像特征和第五区域图像特征的特征差异，确定第二待定缺陷子区域的自相关差异参数。
受到光照影响的区域的图像表现一般相似，如光照区域的图像表现为光斑，该区域对应的像素具有规则，故可以将第二待定缺陷子区域的当前像素和周围像素进行比较，若相似，则当前像素可能是受光照影响，其对应的区域不是真实的缺陷；若不相似，则当前像素未受光照影响，其对应的区域是真实的缺陷。
以第五区域图像特征为像素均值为例，若获得的第二待定缺陷子区域为一个，获取该第二待定缺陷子区域的像素均值，以及该第二待定缺陷子区域的周边区域的像素均值，两个像素均值的绝对差值(一种特征均值差值)为自相关差异参数。
若获得的第二待定缺陷子区域为多个，通过S4031对每个第二待定缺陷子区域进行形态学膨胀处理，提取每个第二待定缺陷子区域的周边区域，得到多个第二待定缺陷子区域的周边区域构成的膨胀区域集合Bdilated-array。计算Bdilated-array中每个第二待定缺陷子区域的周边区域下对应SB的像素均值，得到待测平滑图像对应的第五区域图像特征集合Sdilated-mean-array，最后计算Smean-array和Sdilated-mean-array中每个对应的像素均值的绝对差值，获得多个自相关差异参数Ds，可以表示为Ds＝|Smean-array-Sdilated-mean-array|。
需要说明的是，还可以将一个第二待定缺陷子区域划分为多个，根据多个划分后的第二待定缺陷子区域确定第二待定缺陷子区域的自相关差异参数，以便后续的检测更为精确。
S4034：通过互相关差异参数和自相关差异参数，确定第二待定缺陷子区域中的第二真实缺陷子区域。
通过比对待测平滑图像和模板平滑图像确定出互相关差异参数，通过当前像素和周围区域的像素进行邻域比对确定出自相关差异参数，综合互相关差异参数和自相关差异参数确定第二真实缺陷子区域可在光照变化情况下进行精确稳定的缺陷检测。
例如，根据互相关差异参数Dc和自相关差异参数Ds可以获得综合差异参数D，可以表示为D＝ω1×Dc+ω2×Ds，其中，ω1和ω2为互相关差异参数和自相关差异参数的权重系数。当综合差异参数大于阈值tB4时，说明在待测平滑图像SB中，该综合差异参数对应的第二待定缺陷子区域为真实的缺陷区域，确定为第二真实缺陷子区域。
若获得了多个第二真实缺陷子区域，可以将多个第二待定缺陷子区域叠加，得到目标镜头的端面真缺陷mask图BM-ture。
由此，互相关差异参数表现为局部信息，自相关差异参数表现为全局信息，综合差异参数通过给互相关差异参数和自相关差异参数不同权重达到综合全局信息和局部信息的目的，在光照变化情况下，如待测平滑图像和模板平滑图像不是在同一个光照情况下获得的等情况均可以进行精确稳定的缺陷检测。
S404：根据第一待定缺陷子区域和第二真实缺陷子区域确定目标镜头的质量。
由此，从第二待定缺陷子区域中确定出较为真实的第二真实缺陷子区域，相比于根据第一待定缺陷子区域和第二待定缺陷子区域确定目标镜头的质量，根据一待定缺陷子区域和第二真实缺陷子区域确定目标镜头的质量的准确性提高了。
需要说明的是，可以通过S301-S303从第一待定缺陷子区域中确定出较为真实的第一真实缺陷子区域，通过S401-S404从第二待定缺陷子区域中确定出较为真实的第二真实缺陷子区域，根据第一真实缺陷子区域和第二真实缺陷子区域确定目标镜头的质量，进一步提高检测的准确性。
例如，针对目标镜头的端面和凸面分别进行缺陷检测，将检测结果叠加得到目标镜头的缺陷检测结果SM，可以表示为SM＝AM-ture+BM-ture，然后对目标镜头的缺陷进行形态学分析，过滤掉面积较小的缺陷，得到最终的缺陷检测结果SM。
接下来，以目标镜头为智能手机中的后置摄像头为例对本申请实施例提供的镜头检测方法进行说明。
现今智能手机市场庞大，智能手机的摄影功能作为核心功能之一备受重视。智能手机的镜头作为图像采集模组的关键部件，直接影响到镜头的成像质量，因此对镜头的质量检测，保证良品率非常重要。
相关技术中，还采用基于深度学习的缺陷分割技术，具体分割方法如金字塔场景解析网络(Pyramid Scene Parsing Network，PSPNet)、统一感知解析网络(UnifiedPerceptual Parsing Network，UperNet)和高分辨网络(High-Resoultion Net，HRNet)等，该类方法通过收集大量图像数据并标注缺陷区域，然后基于此标注数据对上述分割模型进行训练，最后使用训练完成的分割模型对待检测图进行缺陷分割检测。但是其需要提前收集和标注大量图像数据，在众多工业场景中由于缺陷品数量一般较小而需要进行累积收集，往往耗时耗力且会延长开发周期。
而本申请实施例提供的方法不涉及深度学习模型，无需大量标注数据，可快速上线使用和迭代，且适用于任意可进行图像处理的硬件环境。下面具体进行说明。
参见图5，该图为本申请实施例提供的一种镜头检测应用场景的示意图。在图5所示的应用场景中，目标镜头为后置摄像头，后置摄像头包括凸面区域和端面区域，其中，凸面区域属于第一类区域，端面区域属于第二类区域。
S1：获取待检测后置摄像头的图像。
S2：针对待检测后置摄像头，获取待测图像和模板图像，并确定后置摄像头的凸面区域和端面区域。
其中，模板图像可以为用户收集的单张无缺陷的标准镜头的模板图像，在模板图像中标注检测mask区域，检测mask区域包括凸面区域、端面区域、以及端面区域的多阈值区域。然后进行相关参数配置，如检测模式和阈值等，以便可以完成对线上的后置摄像头的图像进行缺陷检测。
S3：图像定位。
基于模板图像的检测mask区域，通过图像定位出待测纹理图像、待测平滑图像、模板纹理图像和模板平滑图像。
S4：分区域对比检测。
通过分区域对比检测，每个区域的缺陷检测方案相互独立，使得缺陷检测由图像级检测精细到图像块级检测，更具针对性和灵活性。其中，平滑的端面区域使用像素特征——像素均值，纹理丰富的凸面区域使用纹理特征——LBP特征。
S5：针对凸面区域，采用差分图单阈值分割方式确定第一待定缺陷子区域。
差分图单阈值分割方式可以参见前述S204a1-S204a2。
S6：通过LBP特征差异进行二次比对，获得第一真实缺陷子区域。
第一真实缺陷子区域的确定方式具体可以参见前述S301-S302。
S7：针对端面区域，采用差分图多阈值分割方式确定第二待定缺陷子区域。
其中，差分图多阈值分割方式可以参见前述S204b1-S204b3。
通过使用多阈值分割方式，为不同的灰度区域分别配置不同的区域差分阈值，提高后置摄像头在灰度分布多样情况下的分割精度。
S8：通过互相关差异参数和自相关差异参数，获得第二真实缺陷子区域。
互相关差异参数的确定方式可以参见前述S401-S402，自相关差异参数的确定方式可以参见前述S4031-S4033，结合互相关差异参数和自相关差异参数确定第二真实缺陷子区域的方式可以参见前述S4034。
S9：获得检测结果。
由此，可以从第一待定缺陷子区域中确定出第一真实缺陷子区域，从第二待定缺陷子区域确定出第二真实缺陷子区域，根据第一真实缺陷子区域和第二真实缺陷子区域确定出的缺陷检测结果准确率更高。而且，本申请的技术方案可快速迁移应用到不同型号智能手机所需的镜头的缺陷检测任务中，使得在图像采集模组生产线的镜头检测环节，可高效且全面的进行镜头缺陷自动化检测，严格把控智能手机的镜头质量，有效提高智能手机图像采集模组工业流水线效率。
针对上述实施例提供的镜头检测方法，本申请实施例还提供了一种镜头检测装置。
参见图6，该图为本申请实施例提供的一种镜头检测装置的结构示意图。如图6所示，该镜头检测装置600包括：获取单元601和确定单元602；
所述获取单元601，用于获取包括目标镜头的待测图像，以及所述目标镜头的模板图像；
所述确定单元602，用于确定所述目标镜头的第一类区域和第二类区域，所述第一类区域是根据所述目标镜头的纹理部分确定的，所述第二类区域是根据所述目标镜头的非纹理部分确定的；
从所述待测图像中确定所述第一类区域对应的待测纹理图像和所述第二类区域对应的待测平滑图像，以及从所述模板图像中确定所述第一类区域对应的模板纹理图像和所述第二类区域对应的模板平滑图像；
根据同一个位置的像素分别在所述待测纹理图像和所述模板纹理图像中的灰度值，基于对应所述第一类区域的灰度差分模式确定所述待测纹理图像中的第一待定缺陷子区域；以及
根据同一个位置的像素分别在所述待测平滑图像和所述模板纹理图像中的灰度值，基于对应所述第二类区域的灰度差分模式确定所述待测平滑图像中的第二待定缺陷子区域；
根据所述第一待定缺陷子区域和所述第二待定缺陷子区域确定所述目标镜头的质量。
作为一种可能的实现方式，所述确定单元602，用于：
根据同一个位置的像素分别在所述待测纹理图像和所述模板纹理图像中的灰度值，确定所述像素对应的灰度差值；
基于所述像素中灰度差值大于纹理差分阈值的第一目标像素，确定所述第一待定缺陷子区域。
作为一种可能的实现方式，所述确定单元602，用于：
根据同一个位置的像素分别在所述待测平滑图像和所述模板纹理图像中的灰度值，确定所述像素对应的灰度差值；
根据所述像素的位置参数确定所述像素所处的灰度区域，所述灰度区域是基于所述第二类区域中的灰度值分布确定的；
基于所述像素中灰度差值大于所处灰度区域所对应区域差分阈值的第二目标像素，确定所述第二待定缺陷子区域。
作为一种可能的实现方式，基于所述目标镜头，所述灰度区域至少包括第一灰度区域和第二灰度区域，所述第一灰度区域对应的区域差分阈值与所述第二灰度区域对应的区域差分阈值不同。
作为一种可能的实现方式，所述确定单元602，用于：
确定所述第一待定缺陷子区域的第一区域图像特征，以及所述第一待定缺陷子区域在所述模板纹理图像中所对应区域的第二区域图像特征；
根据所述第一区域图像特征和所述第二区域图像特征的特征差异，确定所述第一待定缺陷子区域中的第一真实缺陷子区域；
根据所述第一真实缺陷子区域和所述第二待定缺陷子区域确定所述目标镜头的质量。
作为一种可能的实现方式，所述第一区域图像特征和所述第二区域图像特征为纹理特征，所述确定单元602，用于：
确定所述第一区域图像特征对应的第一纹理特征直方图，以及所述第二区域图像特征对应的第二纹理特征直方图；
根据所述第一纹理特征直方图和所述第二纹理特征直方图确定纹理特征差异；
将所述纹理特征差异大于纹理阈值的第一待定缺陷子区域确定为所述第一真实缺陷子区域。
作为一种可能的实现方式，所述确定单元602，用于：
确定所述第二待定缺陷子区域的第三区域图像特征，以及所述第二待定缺陷子区域在所述模板平滑图像中所对应区域的第四区域图像特征；
根据所述第三区域图像特征和所述第四区域图像特征的特征差异，确定所述第二待定缺陷子区域的互相关差异参数；
通过所述互相关差异参数，确定所述第二待定缺陷子区域中的第二真实缺陷子区域；
根据所述第一待定缺陷子区域和所述第二真实缺陷子区域确定所述目标镜头的质量。
作为一种可能的实现方式，所述镜头检测装置600，还用于：
基于对所述第二待定缺陷子区域的形态学膨胀处理，确定所述第二待定缺陷子区域的周边区域；
确定所述周边区域的第五区域图像特征；
根据所述第三区域图像特征和所述第五区域图像特征的特征差异，确定所述第二待定缺陷子区域的自相关差异参数；
所述确定单元602，用于：
通过所述互相关差异参数和所述自相关差异参数，确定所述第二待定缺陷子区域中的第二真实缺陷子区域。
作为一种可能的实现方式，所述第三区域图像特征、所述第四区域图像特征和所述第五区域图像特征为像素均值；所述确定单元602，用于：
确定所述第三区域图像特征和所述第四区域图像特征的特征均值差值，作为所述互相关差异参数；以及
确定所述第三区域图像特征和所述第五区域图像特征的特征均值差值，作为所述自相关差异参数。
本申请实施例提供的镜头检测装置，在利用包括目标镜头的待测图像，以及目标镜头对应的模板图像对目标镜头进行缺陷检测时，由于镜头表面一般通过纹理部分和非纹理部分构成，这两个部分的表面物理特征迥异，如果按照统一的检测标准来进行缺陷检测，可能会得到错误的检测结果。故可以基于纹理确定目标镜头中对应纹理部分的第一类区域和对应非纹理部分的第二类区域，针对不同类的区域采用针对性的检测方式。其中，从待测图像中确定第一类区域对应的待测纹理图像和第二类区域对应的待测平滑图像，以及从模板图像中确定第一类区域对应的模板纹理图像和第二类区域对应的模板平滑图像。针对第一类区域，根据同一个位置的像素分别在待测纹理图像和模板纹理图像中的灰度值，基于对应第一类区域的灰度差分模式确定待测纹理图像中的第一待定缺陷子区域，针对第二类区域，根据同一个位置的像素分别在待测平滑图像和模板平滑图像中的灰度值，基于对应第二类区域的灰度差分模式确定待测平滑图像中的第二待定缺陷子区域。根据第一待定缺陷子区域和第二待定缺陷子区域确定目标镜头的质量。由此，通过将目标镜头基于纹理划分为两类区域，分别针对每类区域独立采用针对性的方式进行缺陷检测，有效考量到不同类型镜面物理特征对缺陷检测的影响，对于纹理部分和非纹理部分的缺陷检测精度均得到了提高，而且基于纹理的区域划分可以根据不同镜头的特定镜面物理组成进行调整，灵活性更高，适用于各种类型镜头的缺陷检测。从而减少了人为经验在缺陷检测中的比重，并提高了检测效率。
前述所述的镜头检测设备可以为一种计算机设备，该计算机设备可以为服务器，还可以为终端设备，下面将从硬件实体化的角度对本申请实施例提供的计算机设备进行介绍。其中，图7所示为服务器的结构示意图，图8所示为终端设备的结构示意图。
参见图7，图7是本申请实施例提供的一种服务器结构示意图，该服务器1400可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(centralprocessing units，CPU)1422(例如，一个或一个以上处理器)和存储器1432，一个或一个以上存储应用程序1442或数据1444的存储介质1430(例如一个或一个以上海量存储设备)。其中，存储器1432和存储介质1430可以是短暂存储或持久存储。存储在存储介质1430的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器1422可以设置为与存储介质1430通信，在服务器1400上执行存储介质1430中的一系列指令操作。
服务器1400还可以包括一个或一个以上电源1426，一个或一个以上有线或无线网络接口1450，一个或一个以上输入输出接口1458，和/或，一个或一个以上操作系统1441，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。
上述实施例中由服务器所执行的步骤可以基于该图7所示的服务器结构。
其中，CPU 1422用于执行如下步骤：
获取包括目标镜头的待测图像，以及所述目标镜头的模板图像；
确定所述目标镜头的第一类区域和第二类区域，所述第一类区域是根据所述目标镜头的纹理部分确定的，所述第二类区域是根据所述目标镜头的非纹理部分确定的；
从所述待测图像中确定所述第一类区域对应的待测纹理图像和所述第二类区域对应的待测平滑图像，以及从所述模板图像中确定所述第一类区域对应的模板纹理图像和所述第二类区域对应的模板平滑图像；
根据同一个位置的像素分别在所述待测纹理图像和所述模板纹理图像中的灰度值，基于对应所述第一类区域的灰度差分模式确定所述待测纹理图像中的第一待定缺陷子区域；以及
根据同一个位置的像素分别在所述待测平滑图像和所述模板纹理图像中的灰度值，基于对应所述第二类区域的灰度差分模式确定所述待测平滑图像中的第二待定缺陷子区域；
根据所述第一待定缺陷子区域和所述第二待定缺陷子区域确定所述目标镜头的质量。
可选的，CPU 1422还可以执行本申请实施例中镜头检测方法任一具体实现方式的方法步骤。
参见图8，图8为本申请实施例提供的一种终端设备的结构示意图。图8示出的是与本申请实施例提供的终端设备相关的智能手机的部分结构的框图，该智能手机包括：射频(Radio Frequency，简称RF)电路1510、存储器1520、输入单元1530、显示单元1540、传感器1550、音频电路1560、无线保真(wireless fidelity，简称WiFi)模块1570、处理器1580、以及电源1590等部件。本领域技术人员可以理解，图8中示出的智能手机结构并不构成对智能手机的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
下面结合图8对智能手机的各个构成部件进行具体的介绍：
RF电路1510可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，给处理器1580处理；另外，将设计上行的数据发送给基站。通常，RF电路1510包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low NoiseAmplifier，简称LNA)、双工器等。此外，RF电路1510还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(Global System of Mobile communication，简称GSM)、通用分组无线服务(GeneralPacket Radio Service，简称GPRS)、码分多址(Code Division Multiple Access，简称CDMA)、宽带码分多址(Wideband Code Division Multiple Access，简称WCDMA)、长期演进(Long Term Evolution，简称LTE)、电子邮件、短消息服务(Short Messaging Service，简称SMS)等。
存储器1520可用于存储软件程序以及模块，处理器1580通过运行存储在存储器1520的软件程序以及模块，从而实现智能手机的各种功能应用以及数据处理。存储器1520可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据智能手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器1520可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
输入单元1530可用于接收输入的数字或字符信息，以及产生与智能手机的用户设置以及功能控制有关的键信号输入。具体地，输入单元1530可包括触控面板1531以及其他输入设备1532。触控面板1531，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板1531上或在触控面板1531附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触控面板1531可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器1580，并能接收处理器1580发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板1531。除了触控面板1531，输入单元1530还可以包括其他输入设备1532。具体地，其他输入设备1532可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元1540可用于显示由用户输入的信息或提供给用户的信息以及智能手机的各种菜单。显示单元1540可包括显示面板1541，可选的，可以采用液晶显示器(LiquidCrystal Display，简称LCD)、有机发光二极管(Organic Light-Emitting Diode，简称OLED)等形式来配置显示面板1541。进一步的，触控面板1531可覆盖显示面板1541，当触控面板1531检测到在其上或附近的触摸操作后，传送给处理器1580以确定触摸事件的类型，随后处理器1580根据触摸事件的类型在显示面板1541上提供相应的视觉输出。虽然在图8中，触控面板1531与显示面板1541是作为两个独立的部件来实现智能手机的输入和输入功能，但是在某些实施例中，可以将触控面板1531与显示面板1541集成而实现智能手机的输入和输出功能。
智能手机还可包括至少一种传感器1550，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板1541的亮度，接近传感器可在智能手机移动到耳边时，关闭显示面板1541和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别智能手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于智能手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
音频电路1560、扬声器1561，传声器1562可提供用户与智能手机之间的音频接口。音频电路1560可将接收到的音频数据转换后的电信号，传输到扬声器1561，由扬声器1561转换为声音信号输出；另一方面，传声器1562将收集的声音信号转换为电信号，由音频电路1560接收后转换为音频数据，再将音频数据输出处理器1580处理后，经RF电路1510以发送给比如另一智能手机，或者将音频数据输出至存储器1520以便进一步处理。
WiFi属于短距离无线传输技术，智能手机通过WiFi模块1570可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图8示出了WiFi模块1570，但是可以理解的是，其并不属于智能手机的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。
处理器1580是智能手机的控制中心，利用各种接口和线路连接整个智能手机的各个部分，通过运行或执行存储在存储器1520内的软件程序和/或模块，以及调用存储在存储器1520内的数据，执行智能手机的各种功能和处理数据。可选的，处理器1580可包括一个或多个处理单元；优选的，处理器1580可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1580中。
智能手机还包括给各个部件供电的电源1590(比如电池)，优选的，电源可以通过电源管理系统与处理器1580逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管未示出，智能手机还可以包括摄像头、蓝牙模块等，在此不再赘述。
在本申请实施例中，该智能手机所包括的存储器1520可以存储程序代码，并将所述程序代码传输给所述处理器。
该智能手机所包括的处理器1580可以根据所述程序代码中的指令执行上述实施例提供的镜头检测方法。
本申请实施例还提供一种计算机可读存储介质，用于存储计算机程序，该计算机程序用于执行上述实施例提供的镜头检测方法。
本申请实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述方面的各种可选实现方式中提供的镜头检测方法。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质可以是下述介质中的至少一种：只读存储器(英文：read-only memory，缩写：ROM)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备及系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的设备及系统实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述，仅为本申请的一种具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。
Claims (17)
1.一种镜头检测方法，其特征在于，所述方法包括：
获取包括目标镜头的待测图像，以及所述目标镜头的模板图像；
确定所述目标镜头的第一类区域和第二类区域，所述第一类区域是根据所述目标镜头的纹理部分确定的，所述第二类区域是根据所述目标镜头的非纹理部分确定的；
从所述待测图像中确定所述第一类区域对应的待测纹理图像和所述第二类区域对应的待测平滑图像，以及从所述模板图像中确定所述第一类区域对应的模板纹理图像和所述第二类区域对应的模板平滑图像；
根据同一个位置的像素分别在所述待测纹理图像和所述模板纹理图像中的灰度值，基于对应所述第一类区域的灰度差分模式确定所述待测纹理图像中的第一待定缺陷子区域，包括：根据同一个位置的像素分别在所述待测纹理图像和所述模板纹理图像中的灰度值，确定所述像素对应的灰度差值；基于所述像素中灰度差值大于纹理差分阈值的第一目标像素，确定所述第一待定缺陷子区域；以及
根据同一个位置的像素分别在所述待测平滑图像和所述模板纹理图像中的灰度值，基于对应所述第二类区域的灰度差分模式确定所述待测平滑图像中的第二待定缺陷子区域，包括：根据同一个位置的像素分别在所述待测平滑图像和所述模板纹理图像中的灰度值，确定所述像素对应的灰度差值；根据所述像素的位置参数确定所述像素所处的灰度区域，所述灰度区域是基于所述第二类区域中的灰度值分布确定的；基于所述像素中灰度差值大于所处灰度区域所对应区域差分阈值的第二目标像素，确定所述第二待定缺陷子区域；
根据所述第一待定缺陷子区域和所述第二待定缺陷子区域确定所述目标镜头的质量。
2.根据权利要求1所述的方法，其特征在于，基于所述目标镜头，所述灰度区域至少包括第一灰度区域和第二灰度区域，所述第一灰度区域对应的区域差分阈值与所述第二灰度区域对应的区域差分阈值不同。
3.根据权利要求1所述的方法，其特征在于，所述根据所述第一待定缺陷子区域和所述第二待定缺陷子区域确定所述目标镜头的质量，包括：
确定所述第一待定缺陷子区域的第一区域图像特征，以及所述第一待定缺陷子区域在所述模板纹理图像中所对应区域的第二区域图像特征；
根据所述第一区域图像特征和所述第二区域图像特征的特征差异，确定所述第一待定缺陷子区域中的第一真实缺陷子区域；
根据所述第一真实缺陷子区域和所述第二待定缺陷子区域确定所述目标镜头的质量。
4.根据权利要求3所述的方法，其特征在于，所述第一区域图像特征和所述第二区域图像特征为纹理特征，所述根据所述第一区域图像特征和所述第二区域图像特征的特征差异，确定所述第一待定缺陷子区域中的第一真实缺陷子区域，包括：
确定所述第一区域图像特征对应的第一纹理特征直方图，以及所述第二区域图像特征对应的第二纹理特征直方图；
根据所述第一纹理特征直方图和所述第二纹理特征直方图确定纹理特征差异；
将所述纹理特征差异大于纹理阈值的第一待定缺陷子区域确定为所述第一真实缺陷子区域。
5.根据权利要求1或2所述的方法，其特征在于，所述根据所述第一待定缺陷子区域和所述第二待定缺陷子区域确定所述目标镜头的质量，包括：
确定所述第二待定缺陷子区域的第三区域图像特征，以及所述第二待定缺陷子区域在所述模板平滑图像中所对应区域的第四区域图像特征；
根据所述第三区域图像特征和所述第四区域图像特征的特征差异，确定所述第二待定缺陷子区域的互相关差异参数；
通过所述互相关差异参数，确定所述第二待定缺陷子区域中的第二真实缺陷子区域；
根据所述第一待定缺陷子区域和所述第二真实缺陷子区域确定所述目标镜头的质量。
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：
基于对所述第二待定缺陷子区域的形态学膨胀处理，确定所述第二待定缺陷子区域的周边区域；
确定所述周边区域的第五区域图像特征；
根据所述第三区域图像特征和所述第五区域图像特征的特征差异，确定所述第二待定缺陷子区域的自相关差异参数；
所述通过所述互相关差异参数，确定所述第二待定缺陷子区域中的第二真实缺陷子区域，包括：
通过所述互相关差异参数和所述自相关差异参数，确定所述第二待定缺陷子区域中的第二真实缺陷子区域。
7.根据权利要求6所述的方法，其特征在于，所述第三区域图像特征、所述第四区域图像特征和所述第五区域图像特征为像素均值；所述根据所述第三区域图像特征和所述第四区域图像特征的特征差异，确定所述第二待定缺陷子区域的互相关差异参数，包括：
确定所述第三区域图像特征和所述第四区域图像特征的特征均值差值，作为所述互相关差异参数；
所述根据所述第三区域图像特征和所述第五区域图像特征的特征差异，确定所述第二待定缺陷子区域的自相关差异参数，包括：
确定所述第三区域图像特征和所述第五区域图像特征的特征均值差值，作为所述自相关差异参数。
8.一种镜头检测装置，其特征在于，所述装置包括：获取单元和确定单元；
所述获取单元，用于获取包括目标镜头的待测图像，以及所述目标镜头的模板图像；
所述确定单元，用于确定所述目标镜头的第一类区域和第二类区域，所述第一类区域是根据所述目标镜头的纹理部分确定的，所述第二类区域是根据所述目标镜头的非纹理部分确定的；
从所述待测图像中确定所述第一类区域对应的待测纹理图像和所述第二类区域对应的待测平滑图像，以及从所述模板图像中确定所述第一类区域对应的模板纹理图像和所述第二类区域对应的模板平滑图像；
根据同一个位置的像素分别在所述待测纹理图像和所述模板纹理图像中的灰度值，基于对应所述第一类区域的灰度差分模式确定所述待测纹理图像中的第一待定缺陷子区域，包括：根据同一个位置的像素分别在所述待测纹理图像和所述模板纹理图像中的灰度值，确定所述像素对应的灰度差值；基于所述像素中灰度差值大于纹理差分阈值的第一目标像素，确定所述第一待定缺陷子区域；以及
根据同一个位置的像素分别在所述待测平滑图像和所述模板纹理图像中的灰度值，基于对应所述第二类区域的灰度差分模式确定所述待测平滑图像中的第二待定缺陷子区域，包括：根据同一个位置的像素分别在所述待测平滑图像和所述模板纹理图像中的灰度值，确定所述像素对应的灰度差值；根据所述像素的位置参数确定所述像素所处的灰度区域，所述灰度区域是基于所述第二类区域中的灰度值分布确定的；基于所述像素中灰度差值大于所处灰度区域所对应区域差分阈值的第二目标像素，确定所述第二待定缺陷子区域；
根据所述第一待定缺陷子区域和所述第二待定缺陷子区域确定所述目标镜头的质量。
9.根据权利要求8所述的装置，其特征在于，基于所述目标镜头，所述灰度区域至少包括第一灰度区域和第二灰度区域，所述第一灰度区域对应的区域差分阈值与所述第二灰度区域对应的区域差分阈值不同。
10.根据权利要求8所述的装置，其特征在于，所述确定单元，用于：
确定所述第一待定缺陷子区域的第一区域图像特征，以及所述第一待定缺陷子区域在所述模板纹理图像中所对应区域的第二区域图像特征；
根据所述第一区域图像特征和所述第二区域图像特征的特征差异，确定所述第一待定缺陷子区域中的第一真实缺陷子区域；
根据所述第一真实缺陷子区域和所述第二待定缺陷子区域确定所述目标镜头的质量。
11.根据权利要求10所述的装置，其特征在于，所述第一区域图像特征和所述第二区域图像特征为纹理特征，所述确定单元，用于：
确定所述第一区域图像特征对应的第一纹理特征直方图，以及所述第二区域图像特征对应的第二纹理特征直方图；
根据所述第一纹理特征直方图和所述第二纹理特征直方图确定纹理特征差异；
将所述纹理特征差异大于纹理阈值的第一待定缺陷子区域确定为所述第一真实缺陷子区域。
12.根据权利要求8或9所述的装置，其特征在于，所述确定单元，用于：
确定所述第二待定缺陷子区域的第三区域图像特征，以及所述第二待定缺陷子区域在所述模板平滑图像中所对应区域的第四区域图像特征；
根据所述第三区域图像特征和所述第四区域图像特征的特征差异，确定所述第二待定缺陷子区域的互相关差异参数；
通过所述互相关差异参数，确定所述第二待定缺陷子区域中的第二真实缺陷子区域；
根据所述第一待定缺陷子区域和所述第二真实缺陷子区域确定所述目标镜头的质量。
13.根据权利要求12所述的装置，其特征在于，所述装置还用于：
基于对所述第二待定缺陷子区域的形态学膨胀处理，确定所述第二待定缺陷子区域的周边区域；
确定所述周边区域的第五区域图像特征；
根据所述第三区域图像特征和所述第五区域图像特征的特征差异，确定所述第二待定缺陷子区域的自相关差异参数；
所述确定单元，用于：
通过所述互相关差异参数和所述自相关差异参数，确定所述第二待定缺陷子区域中的第二真实缺陷子区域。
14.根据权利要求13所述的装置，其特征在于，所述第三区域图像特征、所述第四区域图像特征和所述第五区域图像特征为像素均值；所述确定单元，用于：
确定所述第三区域图像特征和所述第四区域图像特征的特征均值差值，作为所述互相关差异参数；
确定所述第三区域图像特征和所述第五区域图像特征的特征均值差值，作为所述自相关差异参数。
15.一种计算机设备，其特征在于，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-7任意一项所述的方法。
16.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行权利要求1-7任意一项所述的方法。
17.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机指令，所述计算机指令存储在计算机可读存储介质中；计算机设备的处理器从所述计算机可读存储介质读取所述计算机指令，所述处理器执行所述计算机指令，使得所述计算机设备执行权利要求1-7任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110342784.6A CN113706446B (zh) | 2021-03-30 | 2021-03-30 | 一种镜头检测方法和相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110342784.6A CN113706446B (zh) | 2021-03-30 | 2021-03-30 | 一种镜头检测方法和相关装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113706446A CN113706446A (zh) | 2021-11-26 |
| CN113706446B true CN113706446B (zh) | 2024-09-06 |
Family
ID=78647891
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110342784.6A Active CN113706446B (zh) | 2021-03-30 | 2021-03-30 | 一种镜头检测方法和相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113706446B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116993653B (zh) * | 2022-09-28 | 2024-08-16 | 腾讯科技（深圳）有限公司 | 相机镜头缺陷检测方法、装置、设备、存储介质及产品 |
| CN116773152B (zh) * | 2023-08-25 | 2023-11-03 | 成都中嘉微视科技有限公司 | 一种镜头性能的检测方法、装置、电子设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106918600A (zh) * | 2017-04-07 | 2017-07-04 | 江苏博虏智能科技有限公司 | 一种基于机器视觉的面料表面缺陷检测和标记方法 |
| CN108230321A (zh) * | 2018-01-19 | 2018-06-29 | 深圳市亿图视觉自动化技术有限公司 | 缺陷检测方法及装置 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4060558B2 (ja) * | 2001-09-12 | 2008-03-12 | 株式会社日立製作所 | 欠陥検査方法及びその装置 |
| JP4288325B2 (ja) * | 2002-11-25 | 2009-07-01 | 谷電機工業株式会社 | 画像認識による不良検査方法 |
| CN110637227B (zh) * | 2017-03-29 | 2022-07-12 | 深圳配天智能技术研究院有限公司 | 一种检测参数确定方法和检测装置 |
| CN108982514A (zh) * | 2018-07-12 | 2018-12-11 | 常州大学 | 一种铸件表面缺陷仿生视觉检测系统 |
| CN109030502A (zh) * | 2018-08-03 | 2018-12-18 | 深圳汇创联合自动化控制有限公司 | 一种基于机器视觉的焊点缺陷检测系统 |
| CN111667448B (zh) * | 2019-03-06 | 2023-08-15 | 深圳中科飞测科技股份有限公司 | 一种图像处理方法、装置及设备 |
| CN111028213B (zh) * | 2019-12-04 | 2023-05-26 | 北大方正集团有限公司 | 图像缺陷检测方法、装置、电子设备及存储介质 |
| CN111292228B (zh) * | 2020-01-16 | 2023-08-11 | 宁波舜宇仪器有限公司 | 镜头缺陷检测方法 |
-
2021
- 2021-03-30 CN CN202110342784.6A patent/CN113706446B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106918600A (zh) * | 2017-04-07 | 2017-07-04 | 江苏博虏智能科技有限公司 | 一种基于机器视觉的面料表面缺陷检测和标记方法 |
| CN108230321A (zh) * | 2018-01-19 | 2018-06-29 | 深圳市亿图视觉自动化技术有限公司 | 缺陷检测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113706446A (zh) | 2021-11-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10943091B2 (en) | Facial feature point tracking method, apparatus, storage medium, and device | |
| EP3944147A1 (en) | Target detection method, model training method, device, apparatus and storage medium | |
| CN111898787B (zh) | 基站规划方法、装置、终端设备以及存储介质 | |
| CN105867751B (zh) | 操作信息处理方法和装置 | |
| CN109992125B (zh) | 信息输入方法、装置和系统 | |
| WO2016184276A1 (zh) | 一种人脸关键点位定位结果的评估方法，及评估装置 | |
| CN111672109B (zh) | 一种游戏地图生成的方法、游戏测试的方法以及相关装置 | |
| CN114722937B (zh) | 一种异常数据检测方法、装置、电子设备和存储介质 | |
| CN109993234B (zh) | 一种无人驾驶训练数据分类方法、装置及电子设备 | |
| CN113706446B (zh) | 一种镜头检测方法和相关装置 | |
| CN116310745B (zh) | 图像处理方法、数据处理方法、相关装置及存储介质 | |
| CN110083742B (zh) | 一种视频查询方法和装置 | |
| CN114612531B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
| CN112232048B (zh) | 一种基于神经网络的表格处理方法以及相关装置 | |
| CN115841575A (zh) | 关键点检测方法、装置、电子设备、存储介质和程序产品 | |
| CN117743170A (zh) | 测试用例生成方法、装置、存储介质及终端设备 | |
| CN117292384B (zh) | 文字识别方法、相关装置及存储介质 | |
| CN113780291B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
| CN117115590A (zh) | 基于自监督学习的内容审核模型训练方法、装置及介质 | |
| CN112200130B (zh) | 一种三维目标检测方法、装置及终端设备 | |
| CN116259083A (zh) | 一种图像质量识别模型的确定方法和相关装置 | |
| CN111738282A (zh) | 一种基于人工智能的图像识别方法和相关设备 | |
| CN117011649B (zh) | 一种模型训练方法和相关装置 | |
| CN111862015A (zh) | 一种图像质量等级确定方法、装置及电子设备 | |
| CN114140864B (zh) | 轨迹跟踪方法、装置、存储介质及电子设备 |
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 |