CN104359920B - 一种用于薄膜电容外观缺陷检测的图像处理方法 - Google Patents

Abstract

本发明涉及一种用于薄膜电容外观缺陷检测的图像处理方法。目前生产商在制造薄膜电容过程中，由于工艺原因电容表面会出现凹凸不平、毛刺、留白、边缘突起等缺陷。传统方法采用人工目测对电容表面缺陷进行检测，其检测过程劳动强度大而且效率低。本发明首先利用目标前景提取剔除不必要的背景，通过水平垂直投影得到目标电容区域，然后进行边缘检测与梯度检测。本发明的复杂度低，运行速度快，可以满足生产线的实时检测需要，具有适应性强，检测精度高的优点。

Description

一种用于薄膜电容外观缺陷检测的图像处理方法

技术领域

本发明属于图像处理领域，具体涉及一种用于薄膜电容外观缺陷检测的图像处理方法。

背景技术

随着工业信息化不断地发展，电容作为电子设备中大量使用的电子元件之一，需求也不断提升。生产商在制造薄膜电容过程中，电容表面大量出现凹凸不平、毛刺、留白、边缘突起等现象。然而，我国目前的无损检测、监测技术和检测仪器无法满足电容表面缺陷检测中的精度、实时和自动化等特殊要求。在实际工业生产过程中，由于技术条件的限制，电容表面检测基本停留在人工目测的水平上，作为生产工艺中的重要一环，其检测过程是单调重复、枯燥乏味的。不仅工人劳动强度大，而且生产效率低。人工检测方法由于受限与人眼视觉灵敏度、个体主观判断等因素的影响，通常无法准确可靠地捕获缺陷信息，这样将很容易产生大量的漏检和误检。检测者由于检查缺陷项目多，长时间地进行重复作业容易产生视觉疲劳而导致错误率上升，导致检测结果的可靠性也会降低。因此研究出一种适用薄膜电容外观缺陷检测图像处理方法，将其应用在生产流水线上，从而实现自动化检测，可以进一步提高产品质量，降低生产成本，具有重要的工程实际意义。

发明内容

本发明的目的就是为了克服人工检测的诸多不足，从而提高电容生产效率，提出一种用于薄膜电容外观缺陷检测的图像处理方法，可快速检测出各种缺陷。本发明的薄膜电容外观缺陷检测方法主要由目标前景提取、形状检测和梯度检测组成。

用f(x,y)代表采集到的大小为M×N的电容图像，用f₁(x,y)、f₂(x,y)、f₃(x,y)分别表示f(x,y)的R、G、B通道图像；具体步骤：

步骤(1)：根据前景电容和背景在R、G、B通道上的差异，将未超过阈值的点赋值成黑点，从而分割出目标前景。具体计算公式如下：

$f(x,y)=\left\{\begin{array}{cc}0& \mathrm{if}{f}_1(x,y)<T_1\mathrm{or}{f}_2(x,y)<T_2\mathrm{or}{f}_3(x,y)<T_3\\ f(x,y)& \mathrm{elae}\end{array}\right.$

其中T₁，T₂，T₃分别为R、G、B通道的颜色阈值。

步骤(2)：将f₁(x,y)同一行上的值相加，得到各行的和向量G(x)，然后进行如下操作：

①将i从0开始递增到M，若出现G(i)大于阈值η,则标记此时的i为目标电容的上边界x₀，跳至下一步骤；反之i继续递增，继续判断G(i)。

②将i从x₀开始递增到M，若出现G(i)小于阈值η，则标记此时的i为目标电容的下边界x₁；反之i继续递增，继续判断G(i)。

步骤(3)：将f₁(x,y)的同一列的值相加得到各列的和向量G(y)，然后进行如下操作：

①将j从0开始递增到N，若出现G(j)大于阈值η,则标记此时的j为目标电容的左边界y₀，跳至下一步骤；反之j继续递增，继续判断G(j)。

②将j从y₀开始递增到N，若出现G(j)小于阈值η，则标记此时的j为目标电容的右边界y₁；反之j继续递增，继续判断G(j)。

由上述步骤提取得到以(x₀,y₀)，(x₀,y₁)，(x₁,y₀)，(x₁,y₁)为顶点的目标电容区域。

步骤(4)：对提取到的目标电容区域进行边缘形状缺陷检测：

①统计以(x₀,y₀)，(x₀,y₀+n)，(x₁,y₀)，(x₁,y₀+n)为顶点的区域内f₁(x,y)＝0的点的个数，记个数为S₁。

②统计以(x₀,y₁-n)，(x₀,y₁)，(x₁,y₁-n)，(x₁,y₁)为顶点的区域内满足f₁(x,y)＝0的点的个数，记个数为S₂。

③统计以(x₀,y₀)，(x₀+m,y₀)，(x₀,y₁)，(x₀+m,y₁)为顶点的区域内满足f₁(x,y)＝0的点的个数，记个数为S₃。

④统计以(x₁-m,y₀)，(x₁,y₀)，(x₁-m,y₁)，(x₁,y₁)为顶点的区域内满足f₁(x,y)＝0的点的个数，记个数为S₄。

若S₁,S₂,S₃,S₄满足如下公式，则判定该电容的边缘存在形状缺陷；反之，继续执行下一步骤；

$\max \{\frac{S_1}{(x_1-x_0)\&times;n},\frac{S_2}{(x_1-x_0)\&times;n},\frac{S_3}{(y_1-y_0)\&times;m},\frac{S_4}{(y_1-y_0)\&times;m}\}>\mathrm{\&alpha;}$

其中n为左右边缘矩形框的宽度，m为上下边缘矩形框的高度，α为检测阈值。

步骤(5)：对提取到的目标电容区域进行高斯滤除，去除噪声；

采用如下公式，滤波后的三通道图像记为g(x,y)：

g(x,y)＝H*f(x,y)

其中H表示一个5×5的高斯核函数，*表示卷积。

步骤(6)：对滤波后的目标电容图像g(x,y)做梯度检测；

①根据如下公式计算梯度公式

g′(x,y)＝|g′_x|+|g′_y|

其中g′_x＝g(x+1,y)-g(x,y)，g′_y＝g(x,y+1)-g(x,y)。

②对g′(x,y)做阈值处理，若g′(x,y)小于阈值β，将其值赋为0，反之，则g′(x,y)保持不变。

③统计g′(x,y)内非0点的总个数，若总个数大于阈值T，则判断该电容存在缺陷，反之则判定该电容不存在缺陷。

本发明的有益效果：本发明主要采用梯度运算和一些简单的操作，算法复杂度低，可以满足绝大多数工控板的应用，算法简单高效，占用存储空间少，可以满足实时检测系统的要求，可以很好的克服人工目测检测方法的不足，降低生产成本，具有重要的工程实际意义。

具体实施方式

以下结合具体实施方式对本发明作进一步说明。

f(x,y)代表采集到的大小为M×N的电容图像，用f₁(x,y)、f₂(x,y)、f₃(x,y)分别表示f(x,y)的R、G、B通道图像。

步骤(1)：根据前景电容和背景在R、G、B通道上的差异，将未超过阈值的点赋值成黑点，从而分割出目标前景。具体计算公式如下：

$f(x,y)=\left\{\begin{array}{cc}0& \mathrm{if}{f}_1(x,y)<T_1\mathrm{or}{f}_2(x,y)<T_2\mathrm{or}{f}_3(x,y)<T_3\\ f(x,y)& \mathrm{elae}\end{array}\right.$

其中T₁，T₂，T₃分别为R、G、B通道的颜色阈值，根据实际电容的颜色来选择。

步骤(2)：将f₁(x,y)同一行上的值相加，得到各行的和向量G(x)，然后进行如下操作：

①将i从0开始递增到M，若出现G(i)大于阈值η,η选为,3000，则标记此时的i为目标电容的上边界x₀，跳至下一步骤；反之i继续递增，继续判断G(i)。

②将i从x₀开始递增到M，若出现G(i)小于阈值η，则标记此时的i为目标电容的下边界x₁；反之i继续递增，继续判断G(i)。

步骤(3)：将f₁(x,y)的同一列的值相加得到各列的和向量G(y)，然后进行如下操作：

①将j从0开始递增到N，若出现G(j)大于阈值η,则标记此时的j为目标电容的左边界y₀，跳至下一步骤；反之j继续递增，继续判断G(j)。

②将j从y₀开始递增到N，若出现G(j)小于阈值η，则标记此时的j为目标电容的右边界y₁；反之j继续递增，继续判断G(j)。

由上述步骤提取得到以(x₀,y₀)，(x₀,y₁)，(x₁,y₀)，(x₁,y₁)为顶点的目标电容区域。

步骤(4)：对提取到的目标电容区域进行边缘形状缺陷检测：

①统计以(x₀,y₀)，(x₀,y₀+n)，(x₁,y₀)，(x₁,y₀+n)为顶点的区域内f₁(x,y)＝0的点的个数，记个数为S₁。

②统计以(x₀,y₁-n)，(x₀,y₁)，(x₁,y₁-n)，(x₁,y₁)为顶点的区域内满足f₁(x,y)＝0的点的个数，记个数为S₂。

③统计以(x₀,y₀)，(x₀+m,y₀)，(x₀,y₁)，(x₀+m,y₁)为顶点的区域内满足f₁(x,y)＝0的点的个数，记个数为S₃。

④统计以(x₁-m,y₀)，(x₁,y₀)，(x₁-m,y₁)，(x₁,y₁)为顶点的区域内满足f₁(x,y)＝0的点的个数，记个数为S₄。

若S₁,S₂,S₃,S₄满足如下公式，则判定该电容的边缘存在形状缺陷；反之，继续执行下一步骤；

$\max \{\frac{S_1}{(x_1-x_0)\&times;n},\frac{S_2}{(x_1-x_0)\&times;n},\frac{S_3}{(y_1-y_0)\&times;m},\frac{S_4}{(y_1-y_0)\&times;m}\}>\mathrm{\&alpha;}$

其中n选为电容宽度的1/4，m选为电容高度的1/4，阈值α选为0.2。

步骤(5)：对提取到的目标电容区域进行高斯滤除，去除噪声；

采用如下公式，滤波后的三通道图像记为g(x,y)：

g(x,y)＝H*f(x,y)

其中H表示一个5×5的高斯核函数，*表示卷积。

步骤(6)：对滤波后的目标电容图像g(x,y)做梯度检测；

①根据如下公式计算梯度公式

g′(x,y)＝|g′_x|+|g′_y|

其中g′_x＝g(x+1,y)-g(x,y)，g′_y＝g(x,y+1)-g(x,y)；

②对g′(x,y)做阈值处理，若g′(x,y)小于阈值β，β选为8，将其值赋为0，反之，则g′(x,y)保持不变。

③最后统计g′(x,y)内非0点的总个数，若总个数大于阈值T，T选为30，则判定该电容存在缺陷，反之则判定该电容不存在缺陷。

Claims (1)

1.一种用于薄膜电容外观缺陷检测的图像处理方法，主要由目标前景提取、边缘形状检测和梯度检测组成，其特征在于：假设f(x,y)代表采集到的大小为M×N的电容图像，用f₁(x,y)、f₂(x,y)、f₃(x,y)分别表示f(x,y)的R、G、B通道图像；

其具体步骤是：

步骤(1)：根据前景电容和背景在R、G、B通道上的差异，将未超过阈值的点赋值成黑点，从而分割出目标前景；具体计算公式如下：

$f(x,y)=\left\{\begin{array}{cc}0& if{f}_1(x,y)<T_{1}or{f}_2(x,y)<T_{2}or{f}_3(x,y)<T_3\\ f(x,y)& else\end{array}\right.;$

其中T₁，T₂，T₃分别为R、G、B通道的颜色阈值；

步骤(2)：将f₁(x,y)同一行上的值相加，得到各行的和向量G(x)，然后进行如下操作：

2-1：将i从0开始递增到M，若出现G(i)大于阈值η,则标记此时的i为目标电容的上边界x₀，跳至下一步骤；反之i继续递增，继续判断G(i)；

2-2：将i从x₀开始递增到M，若出现G(i)小于阈值η，则标记此时的i为目标电容的下边界x₁；反之i继续递增，继续判断G(i)；

步骤(3)：将f₁(x,y)的同一列的值相加得到各列的和向量G(y)，然后进行如下操作：

3-1：将j从0开始递增到N，若出现G(j)大于阈值η,则标记此时的j为目标电容的左边界y₀，跳至下一步骤；反之j继续递增，继续判断G(j)；

3-2：将j从y₀开始递增到N，若出现G(j)小于阈值η，则标记此时的j为目标电容的右边界y₁；反之j继续递增，继续判断G(j)；

由上述步骤提取得到以(x₀,y₀)，(x₀,y₁)，(x₁,y₀)，(x₁,y₁)为顶点的目标电容区域；

步骤(4)：对提取到的目标电容区域进行边缘形状缺陷检测：

4-1：统计以(x₀,y₀)，(x₀,y₀+n)，(x₁,y₀)，(x₁,y₀+n)为顶点的区域内f₁(x,y)＝0的点的个数，记个数为S₁；

4-2：统计以(x₀,y₁-n)，(x₀,y₁)，(x₁,y₁-n)，(x₁,y₁)为顶点的区域内满足f₁(x,y)＝0的点的个数，记个数为S₂；

4-3：统计以(x₀,y₀)，(x₀+m,y₀)，(x₀,y₁)，(x₀+m,y₁)为顶点的区域内满足f₁(x,y)＝0的点的个数，记个数为S₃；

4-4：统计以(x₁-m,y₀)，(x₁,y₀)，(x₁-m,y₁)，(x₁,y₁)为顶点的区域内满足f₁(x,y)＝0的点的个数，记个数为S₄；

若S₁,S₂,S₃,S₄满足如下公式，则判定该电容的边缘存在形状缺陷；反之，继续执行下一步骤；

$max\{\frac{S_1}{(x_1-x_0)\&times;n},\frac{S_2}{(x_1-x_0)\&times;n},\frac{S_3}{(y_1-y_0)\&times;m},\frac{S_4}{(y_1-y_0)\&times;m}\}>\mathrm{\&alpha;};$

其中n为目标电容区域左右边缘宽度的1/4，m为目标电容区域上下边缘高度的1/4，α为检测阈值；

步骤(5)：对提取到的目标电容区域进行高斯滤除，去除噪声；

采用如下公式，滤波后的三通道图像记为g(x,y)：

g(x,y)＝H*f(x,y)；

其中H表示一个5×5的高斯核函数，*表示卷积；

步骤(6)：对滤波后的目标电容图像g(x,y)做梯度检测；

6-1：根据如下公式计算梯度公式

g′(x,y)＝|g′_x|+|g′_y|；

其中g′_x＝g(x+1,y)-g(x,y)，g′_y＝g(x,y+1)-g(x,y)；

6-2：对g′(x,y)做阈值处理，若g′(x,y)小于阈值β，将其值赋为0，反之，则g′(x,y)保持不变；

6-3：最后统计g′(x,y)内非0点的总个数，若总个数大于阈值T，则判定该电容的表面存在缺陷，反之则判定该电容的表面不存在缺陷。