CN105405142B - 一种玻璃面板的边缺陷检测方法及系统 - Google Patents
一种玻璃面板的边缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN105405142B CN105405142B CN201510778599.6A CN201510778599A CN105405142B CN 105405142 B CN105405142 B CN 105405142B CN 201510778599 A CN201510778599 A CN 201510778599A CN 105405142 B CN105405142 B CN 105405142B
- Authority
- CN
- China
- Prior art keywords
- gray
- center line
- point
- value
- gray scale
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30108—Industrial image inspection
Abstract
本发明适用于玻璃面板边缺陷检测，提供了一种玻璃面板的边缺陷检测方法步骤包括：A，进行玻璃面板图像采集并进行灰度转换后再二值化处理得到二值化图像，提取感兴趣区域轮廓；B，对感兴趣区域轮廓进行处理，得到中心线图并进行遍历，得到中心线上每一个点的点坐标；C，提取感兴趣区域轮廓对应的灰度图像，根据点坐标得到该点对应的灰度值；D，对中心线的灰度值进行处理然后计算中心线灰度差均值，然后根据中心线灰度差均值判断是否存在边缺陷并标记。本发明根据玻璃面板边缘轮廓特征，提取出边缘的感兴趣区域轮廓，并基于感兴趣区域轮廓的中心线邻域的灰度均值对玻璃面板边缘进行检测缺陷，本发明可检测多种型号的玻璃面板边缺陷。
Description
技术领域
本发明属于面板检测领域，尤其涉及一种基于中心线邻域灰度均值的用于玻璃面板的边缺陷检测方法及系统。
背景技术
目前，对于玻璃面板表面缺陷的检测与识别方法归纳起来有三类:图像匹配比较法，非图像匹配比较法和混合法。(1)图像匹配比较法这种方法是将作为模板的标准图像与被检测的图像进行匹配，即异或运算，这种方法适用于图像出现缺口、边缘凹凸毛刺等缺陷，但是对于种类众多的玻璃面板边缺陷，边长宽均不固定，因此这种方法不适用于手机玻璃面板边缺陷检测。(2)非图像匹配比较法这种方法不需要模板图像，它依据预先定义的设计规则来判断待检测图像是否有瑕疵，内存需求小、处理灵活。(3)混合法它是前述两种方法的综合，在一定程度上克服了前两类方法的缺点，但目前这种方法还不是很成熟，其算法复杂，不能满足实时检测的要求，且自适应性不够，系统扩展能力较差。
发明内容
本发明所要解决的技术问题在于提供一种玻璃面板的边缺陷检测方法及系统，旨在解决现有算法复杂，不能满足实时检测的要求，且自适应性不够，系统扩展能力较差的问题。
本发明是这样实现的，一种玻璃面板的边缺陷检测方法，步骤包括：
步骤A，进行玻璃面板图像采集并进行灰度转换得到灰度图像，然后将所述灰度图像二值化处理得到二值化图像，提取所述二值化图像中的感兴趣区域轮廓；
步骤B，对所述感兴趣区域轮廓进行处理，得到所述感兴趣区域轮廓的中心线图，遍历所述中心线图得到中心线上每一个点的点坐标；
步骤C，提取所述感兴趣区域轮廓对应的灰度图像，根据中心线上每一个点的点坐标得到该点对应的灰度值；
步骤D，对中心线的灰度值进行处理，根据处理后的中心线灰度值计算中心线灰度差均值，然后根据所述中心线灰度差均值判断是否存在边缺陷并标记。
进一步地，步骤A具体包括：
步骤A1，对所述玻璃面板进行图像采集，然后将采集到的玻璃面板图像进行灰度转换，将灰度转换后的图像进行高斯拉普拉斯锐化和中值滤波的预处理得到灰度图像；
步骤A2，用最大类间方差法对所述灰度图像进行二值化，得到二值化图像；
步骤A3，利用水平结构元素对所述二值化图像进行腐蚀，得到感兴趣区域轮廓。
进一步地，步骤B具体包括：
步骤B1，利用zhang快速并行细化算法对所述感兴趣区域轮廓进行细化，得到所述感兴趣区域轮廓的中心线图；
步骤B2，遍历所述中心线图，得到中心线上每一个点的点坐标；
以I(i,j)表示中心线上第i点的坐标，则该点坐标满足：
I(i,j)＝＝255，0≤i≤r，0≤j≤c，其中r表示所述灰度图像的高度，c表示所述灰度图像的宽度。
进一步地，步骤C具体包括：
步骤C1，提取所述感兴趣区域轮廓对应的灰度图像；
步骤C2，根据步骤C1提取的灰度图像和中心线上每一个点的点坐标得到该点对应的灰度值；
以I(i,j)表示中心线上第i点的坐标，GrayVal(i，j)表示第i点对应的灰度值，w表示根据水平区域轮廓高度设定的第i点的一邻域，则第i点的w邻域的灰度均值大小Gray(n)为：
以所述灰度均值作为第i点对应的灰度值，其中N为中心线的像素个数，n为索引号，通过所述索引号能够找到对应的坐标，t为变量。
进一步地，步骤D具体包括：
步骤D1，对中心线上每一个点的灰度值进行滤波得到滤波灰度值，根据每一个点的滤波灰度值和对应的灰度值得到每一点对应的灰度差；
以Gray(n)表示第i点的灰度值，Gray1(n)表示第i的滤波灰度值，DeltaGray(n)表示第i点的灰度差，则：
DeltaGray(n)＝Gray1(n)-Gray(n)；
步骤D2，根据所述灰度差计算中心线的灰度差均值，然后根据所述灰度差均值判断是否存在边缺陷；
以GrayAverage表示所述灰度差均值，则：
其中N为中心线的像素个数，n为索引号，通过所述索引号能够找到对应的坐标；
若所述灰度差均值和灰度差之差大于或等于灰度差阈值，则判断为存在缺陷；
若所述灰度差均值和灰度差之差小于灰度差阈值，则判断为不存在缺陷；
以ΔGray表示所述灰度差阈值，则上述可以表示为：
步骤D3，若判断存在缺陷，则进行缺陷标记。
本发明还提供了一种玻璃面板的边缺陷检测系统，包括：
采集处理单元，用于进行玻璃面板图像采集并进行灰度转换得到灰度图像，然后将所述灰度图像二值化处理得到二值化图像，提取所述二值化图像中的感兴趣区域轮廓；
轮廓提取单元，用于对所述感兴趣区域轮廓进行处理，得到所述感兴趣区域轮廓的中心线图，遍历所述中心线图得到中心线上每一个点的点坐标；
灰度提取单元，用于提取所述感兴趣区域轮廓对应的灰度图像，根据中心线上每一个点的点坐标得到该点对应的灰度值；
缺陷标记单元，用于对中心线的灰度值进行处理，根据处理后的中心线灰度值计算中心线灰度差均值，然后根据所述中心线灰度差均值判断是否存在边缺陷并标记。
进一步地，所述采集处理单元具体用于：
首先，对所述玻璃面板进行图像采集，然后将采集到的玻璃面板图像进行灰度转换，将灰度转换后的图像进行高斯拉普拉斯锐化和中值滤波的预处理得到灰度图像；
其次，用最大类间方差法对所述灰度图像进行二值化，得到二值化图像；
最后，利用水平结构元素对所述二值化图像进行腐蚀，得到感兴趣区域轮廓。
进一步地，所述轮廓提取单元具体用于：
首先，利用zhang快速并行细化算法对所述感兴趣区域轮廓进行细化，得到所述感兴趣区域轮廓的中心线图；
最后，遍历所述中心线图，得到中心线上每一个点的点坐标；
以I(i,j)表示中心线上第i点的坐标，则该点坐标满足：
I(i,j)＝＝255，0≤i≤r，0≤j≤c，其中r表示所述灰度图像的高度，c表示所述灰度图像的宽度。
进一步地，所述灰度提取单元具体用于：
首先，提取所述感兴趣区域轮廓对应的灰度图像；
最后，根据提取的灰度图像和中心线上每一个点的点坐标得到该点对应的灰度值；
以I(i,j)表示中心线上第i点的坐标，GrayVal(i，j)表示第i点对应的灰度值，w表示根据水平区域轮廓高度设定的第i点的一邻域，则第i点的w邻域的灰度均值大小Gray(n)为：
以所述灰度均值作为第i点对应的灰度值，其中N为中心线的像素个数，n为索引号，通过所述索引号能够找到对应的坐标，t为变量。
进一步地，所述缺陷标记单元具体用于：
首先，对中心线上每一个点的灰度值进行滤波得到滤波灰度值，根据每一个点的滤波灰度值和对应的灰度值得到每一点对应的灰度差；
以Gray(n)表示第i点的灰度值，Gray1(n)表示第i的滤波灰度值，DeltaGray(n)表示第i点的灰度差，则：
DeltaGray(n)＝Gray1(n)-Gray(n)；
其次，根据所述灰度差计算中心线的灰度差均值，然后根据所述灰度差均值判断是否存在边缺陷；
以GrayAverage表示所述灰度差均值，则：
其中N为中心线的像素个数，n为索引号，通过所述索引号能够找到对应的坐标；
若所述灰度差均值和灰度差之差大于或等于灰度差阈值，则判断为存在缺陷；
若所述灰度差均值和灰度差之差小于灰度差阈值，则判断为不存在缺陷；
以ΔGray表示所述灰度差阈值，则上述可以表示为：
最后，若判断存在缺陷，则进行缺陷标记。
本发明与现有技术相比，有益效果在于：本发明根据玻璃面板边缘轮廓特征，提取出边缘的感兴趣区域轮廓，并基于感兴趣区域轮廓的中心线邻域的灰度均值对玻璃面板边缘进行检测缺陷，本发明通过计算中心线领域灰度均值，更有利于识别细长条边缺陷，减少了通过轮廓距离值来判断缺陷方法的误差，为检测宽窄长条类型对象缺陷提供了一种新的方法思路。本发明可检测多种型号的玻璃面板边缺陷。
附图说明
图1是本发明实施例提供的一种玻璃面板的边缺陷检测方法的流程图。
图2是本发明实施例提供的二值化图像中的感兴趣区域轮廓示意图。
图3是本发明实施例提供的水平结构元素腐蚀的效果图。
图4是本发明实施例提供的感兴趣区域轮廓的中心线示意图。
图5是本发明实施例提供中心线的灰度值滤波示意图。
图6是本发明实施例提供中心线的灰度差值示意图。
图7是本发明实施例提供边缺陷标记示意图。
图8是本发明实施例提供的一种玻璃面板的边缺陷检测系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明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仅用以解释本发明，并不用于限定本发明。
本发明对采集的图像进行灰度转换后二值化处理，提取感兴趣区域及其中心线，得到中心线上每个点的坐标，每个点的灰度值取决于该点坐标上下领域的平均灰度值，计算该中心线的灰度均值，基于该均值设定阈值进行极大值极小值判断，检测出缺陷。
基于上述原理，本发明提供了如图1所示的一种玻璃面板的边缺陷检测方法，步骤包括：
S1，进行玻璃面板图像采集并进行灰度转换得到灰度图像，然后将所述灰度图像二值化处理得到二值化图像，提取所述二值化图像中的感兴趣区域轮廓；
S2，对所述感兴趣区域轮廓进行处理，得到所述感兴趣区域轮廓的中心线图，遍历所述中心线图得到中心线上每一个点的点坐标；
S3，提取所述感兴趣区域轮廓对应的灰度图像，根据中心线上每一个点的点坐标得到该点对应的灰度值；
S4，对中心线的灰度值进行处理，根据处理后的中心线灰度值计算中心线灰度差均值，然后根据所述中心线灰度差均值判断是否存在边缺陷并标记。
进一步地，上述步骤S1具体包括：
S11，对所述玻璃面板进行图像采集，然后将采集到的玻璃面板图像进行灰度转换，将灰度转换后的图像进行高斯拉普拉斯锐化和中值滤波的预处理得到灰度图像；
S12，用最大类间方差法对所述灰度图像进行二值化，得到二值化图像，如图2所示；
S13，利用水平结构元素对所述二值化图像进行腐蚀，得到感兴趣区域轮廓。在本步骤中，由于检测对象为水平区域，因此采用水平结构元素对所述二值化图像进行腐蚀，消去竖直边轮廓和其他较小的干扰轮廓，最后得到所需要的感兴趣区域轮廓，如图3所示。
进一步地，步骤S2具体包括：
S11，利用zhang快速并行细化算法对所述感兴趣区域轮廓进行细化，得到所述感兴趣区域轮廓的中心线图，如图4所示；
S12，遍历所述中心线图，得到中心线上每一个点的点坐标；
以I(i,j)表示中心线上第i点的坐标，则该点坐标满足：
I(i,j)＝＝255，0≤i≤r，0≤j≤c，其中r表示所述灰度图像的高度，c表示所述灰度图像的宽度。
进一步地，上述步骤S3具体包括：
S31，提取所述感兴趣区域轮廓对应的灰度图像；
S32，根据步骤S31提取的灰度图像和中心线上每一个点的点坐标得到该点对应的灰度值；该点对应的灰度值取决于该点上下邻域内的灰度均值，即：
以I(i,j)表示中心线上第i点的坐标，GrayVal(i，j)表示第i点对应的灰度值，w表示根据水平区域轮廓高度设定的第i点的一邻域，则第i点的w邻域的灰度均值大小Gray(n)为：
以所述灰度均值作为第i点对应的灰度值，其中N为中心线的像素个数，n为索引号，通过所述索引号能够找到对应的坐标，t为变量。
进一步地，上述步骤S4具体包括：
S41，对中心线上每一个点的灰度值进行滤波得到滤波灰度值，根据每一个点的滤波灰度值和对应的灰度值得到每一点对应的灰度差；
以Gray(n)表示第i点的灰度值，Gray1(n)表示第i的滤波灰度值，DeltaGray(n)表示第i点的灰度差，则：
DeltaGray(n)＝Gray1(n)-Gray(n)。在本步骤中，采用窗宽为19的均值滤波器对中心线上每一个点的灰度值进行滤波，得到如图5所述的滤波后的效果图。而将每一个点的滤波灰度值和对应的灰度值相减得到每一点对应的灰度差，该灰度差图如图6所示。
S42，根据所述灰度差计算中心线的灰度差均值，然后根据所述灰度差均值判断是否存在边缺陷；
以GrayAverage表示所述灰度差均值，则：
其中N为中心线的像素个数，n为索引号，通过所述索引号能够找到对应的坐标；
若所述灰度差均值和灰度差之差大于或等于灰度差阈值，则判断为存在缺陷；
若所述灰度差均值和灰度差之差小于灰度差阈值，则判断为不存在缺陷；
以ΔGray表示所述灰度差阈值，则上述可以表示为：
S43，若判断存在缺陷，则进行缺陷标记。缺陷标记如图7所示。
本发明还提供了如图8所示的一种玻璃面板的边缺陷检测系统，包括：
采集处理单元1，用于进行玻璃面板图像采集并进行灰度转换得到灰度图像，然后将所述灰度图像二值化处理得到二值化图像，提取所述二值化图像中的感兴趣区域轮廓；
轮廓提取单元2，用于对所述感兴趣区域轮廓进行处理，得到所述感兴趣区域轮廓的中心线图，遍历所述中心线图得到中心线上每一个点的点坐标；
灰度提取单元3，用于提取所述感兴趣区域轮廓对应的灰度图像，根据中心线上每一个点的点坐标得到该点对应的灰度值；
缺陷标记单元4，用于对中心线的灰度值进行处理，根据处理后的中心线灰度值计算中心线灰度差均值，然后根据所述中心线灰度差均值判断是否存在边缺陷并标记。
进一步地，采集处理单元1具体用于：
首先，对所述玻璃面板进行图像采集，然后将采集到的玻璃面板图像进行灰度转换，将灰度转换后的图像进行高斯拉普拉斯锐化和中值滤波的预处理得到灰度图像；
其次，用最大类间方差法对所述灰度图像进行二值化，得到二值化图像；
最后，利用水平结构元素对所述二值化图像进行腐蚀，得到感兴趣区域轮廓。
进一步地，轮廓提取单元2具体用于：
首先，利用zhang快速并行细化算法对所述感兴趣区域轮廓进行细化，得到所述感兴趣区域轮廓的中心线图；
最后，遍历所述中心线图，得到中心线上每一个点的点坐标；
以I(i,j)表示中心线上第i点的坐标，则该点坐标满足：
I(i,j)＝＝255，0≤i≤r，0≤j≤c，其中r表示所述灰度图像的高度，c表示所述灰度图像的宽度。
进一步地，灰度提取单元3具体用于：
首先，提取所述感兴趣区域轮廓对应的灰度图像；
最后，根据提取的灰度图像和中心线上每一个点的点坐标得到该点对应的灰度值；
以I(i,j)表示中心线上第i点的坐标，GrayVal(i，j)表示第i点对应的灰度值，w表示根据水平区域轮廓高度设定的第i点的一邻域，则第i点的w邻域的灰度均值大小Gray(n)为：
以所述灰度均值作为第i点对应的灰度值，其中N为中心线的像素个数，n为索引号，通过所述索引号能够找到对应的坐标，t为变量。
进一步地，缺陷标记单元4具体用于：
首先，对中心线上每一个点的灰度值进行滤波得到滤波灰度值，根据每一个点的滤波灰度值和对应的灰度值得到每一点对应的灰度差；
以Gray(n)表示第i点的灰度值，Gray1(n)表示第i的滤波灰度值，DeltaGray(n)表示第i点的灰度差，则：
DeltaGray(n)＝Gray1(n)-Gray(n)；
其次，根据所述灰度差计算中心线的灰度差均值，然后根据所述灰度差均值判断是否存在边缺陷；
以GrayAverage表示所述灰度差均值，则：
其中N为中心线的像素个数，n为索引号，通过所述索引号能够找到对应的坐标；
若所述灰度差均值和灰度差之差大于或等于灰度差阈值，则判断为存在缺陷；
若所述灰度差均值和灰度差之差小于灰度差阈值，则判断为不存在缺陷；
以ΔGray表示所述灰度差阈值，则上述可以表示为：
最后，若判断存在缺陷，则进行缺陷标记。
本发明提取边轮廓中心线及灰度图像，得到中心线上每个点的灰度值，求得该中心线灰度均值，对其进行滤波，将滤波前后相减得到灰度差值DeltaGray(n)，设中心线灰度差均值为GrayAverage，波动范围为ΔGray，那么则有：
正常的边灰度值应是近似相等，处于一个正常波动范围之间，如果音孔外轮廓上某点到内轮廓的最短距离超过这个波动范围，那么存在缺陷。
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，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种玻璃面板的边缺陷检测方法，其特征在于，所述边缺陷检测方法的步骤包括：
步骤A，进行玻璃面板图像采集并进行灰度转换得到灰度图像，然后将所述灰度图像二值化处理得到二值化图像，提取所述二值化图像中的感兴趣区域轮廓；
步骤B，对所述感兴趣区域轮廓进行处理，得到所述感兴趣区域轮廓的中心线图，遍历所述中心线图得到中心线上每一个点的点坐标；
步骤C，提取所述感兴趣区域轮廓对应的灰度图像，根据中心线上每一个点的点坐标得到该点对应的灰度值；
步骤D，对中心线的灰度值进行处理，根据处理后的中心线灰度值计算中心线灰度差均值，然后根据所述中心线灰度差均值判断是否存在边缺陷并标记；
其中，步骤D具体包括：
步骤D1，对中心线上每一个点的灰度值进行滤波得到滤波灰度值，根据每一个点的滤波灰度值和对应的灰度值计算每一点对应的灰度差；
以Gray(n)表示第i点的灰度值，Gray1(n)表示第i的滤波灰度值，DeltaGray(n)表示第i点的灰度差，则：
DeltaGray(n)＝Gray1(n)-Gray(n)；
步骤D2，根据所述灰度差计算中心线的灰度差均值，然后根据所述灰度差均值判断是否存在边缺陷；
以GrayAverage表示所述灰度差均值，则：
其中N为中心线的像素个数，n为索引号，通过所述索引号能够找到对应的坐标；
若所述灰度差均值和灰度差之差大于或等于灰度差阈值，则判断为存在缺陷；
若所述灰度差均值和灰度差之差小于灰度差阈值，则判断为不存在缺陷；
以ΔGray表示所述灰度差阈值，则上述可以表示为：
步骤D3，若判断存在缺陷，则进行缺陷标记。
2.如权利要求1所述的边缺陷检测方法，其特征在于，步骤A具体包括：
步骤A1，对所述玻璃面板进行图像采集，然后将采集到的玻璃面板图像进行灰度转换，将灰度转换后的图像进行高斯拉普拉斯锐化和中值滤波的预处理得到灰度图像；
步骤A2，用最大类间方差法对所述灰度图像进行二值化，得到二值化图像；
步骤A3，利用水平结构元素对所述二值化图像进行腐蚀，得到感兴趣区域轮廓。
3.如权利要求1所述的边缺陷检测方法，其特征在于，步骤B具体包括：
步骤B1，利用zhang快速并行细化算法对所述感兴趣区域轮廓进行细化，得到所述感兴趣区域轮廓的中心线图；
步骤B2，遍历所述中心线图，得到中心线上每一个点的点坐标；
以I(i,j)表示中心线上第i点的坐标，则该点坐标满足：
I(i,j)＝＝255，0≤i≤r，0≤j≤c，其中r表示所述灰度图像的高度，c表示所述灰度图像的宽度。
4.如权利要求1所述的边缺陷检测方法，其特征在于，步骤C具体包括：
步骤C1，提取所述感兴趣区域轮廓对应的灰度图像；
步骤C2，根据步骤C1提取的灰度图像和中心线上每一个点的点坐标得到该点对应的灰度值；
以I(i,j)表示中心线上第i点的坐标，GrayVal(i，j)表示第i点对应的灰度值，w表示根据水平区域轮廓高度设定的第i点的一邻域，则第i点的w邻域的灰度均值大小Gray(n)为：
以所述灰度均值作为第i点对应的灰度值，其中N为中心线的像素个数，n为索引号，通过所述索引号能够找到对应的坐标，t为变量。
5.一种玻璃面板的边缺陷检测系统，其特征在于，所述边缺陷检测系统包括：
采集处理单元，用于进行玻璃面板图像采集并进行灰度转换得到灰度图像，然后将所述灰度图像二值化处理得到二值化图像，提取所述二值化图像中的感兴趣区域轮廓；
轮廓提取单元，用于对所述感兴趣区域轮廓进行处理，得到所述感兴趣区域轮廓的中心线图，遍历所述中心线图得到中心线上每一个点的点坐标；
灰度提取单元，用于提取所述感兴趣区域轮廓对应的灰度图像，根据中心线上每一个点的点坐标得到该点对应的灰度值；
缺陷标记单元，用于对中心线的灰度值进行处理，根据处理后的中心线灰度值计算中心线灰度差均值，然后根据所述中心线灰度差均值判断是否存在边缺陷并标记；
其中，所述缺陷标记单元具体用于：
首先，对中心线上每一个点的灰度值进行滤波得到滤波灰度值，根据每一个点的滤波灰度值和对应的灰度值得到每一点对应的灰度差；
以Gray(n)表示第i点的灰度值，Gray1(n)表示第i的滤波灰度值，DeltaGray(n)表示第i点的灰度差，则：
DeltaGray(n)＝Gray1(n)-Gray(n)；
其次，根据所述灰度差计算中心线的灰度差均值，然后根据所述灰度差均值判断是否存在边缺陷；
以GrayAverage表示所述灰度差均值，则：
其中N为中心线的像素个数，n为索引号，通过所述索引号能够找到对应的坐标；
若所述灰度差均值和灰度差之差大于或等于灰度差阈值，则判断为存在缺陷；
若所述灰度差均值和灰度差之差小于灰度差阈值，则判断为不存在缺陷；
以ΔGray表示所述灰度差阈值，则上述可以表示为：
最后，若判断存在缺陷，则进行缺陷标记。
6.如权利要求5所述的边缺陷检测系统，其特征在于，所述采集处理单元具体用于：
首先，对所述玻璃面板进行图像采集，然后将采集到的玻璃面板图像进行灰度转换，将灰度转换后的图像进行高斯拉普拉斯锐化和中值滤波的预处理得到灰度图像；
其次，用最大类间方差法对所述灰度图像进行二值化，得到二值化图像；
最后，利用水平结构元素对所述二值化图像进行腐蚀，得到感兴趣区域轮廓。
7.如权利要求5所述的边缺陷检测系统，其特征在于，所述轮廓提取单元具体用于：
首先，利用zhang快速并行细化算法对所述感兴趣区域轮廓进行细化，得到所述感兴趣区域轮廓的中心线图；
最后，遍历所述中心线图，得到中心线上每一个点的点坐标；
以I(i,j)表示中心线上第i点的坐标，则该点坐标满足：
I(i,j)＝＝255，0≤i≤r，0≤j≤c，其中r表示所述灰度图像的高度，c表示所述灰度图像的宽度。
8.如权利要求5所述的边缺陷检测系统，其特征在于，所述灰度提取单元具体用于：
首先，提取所述感兴趣区域轮廓对应的灰度图像；
最后，根据提取的灰度图像和中心线上每一个点的点坐标得到该点对应的灰度值；
以I(i,j)表示中心线上第i点的坐标，GrayVal(i，j)表示第i点对应的灰度值，w表示根据水平区域轮廓高度设定的第i点的一邻域，则第i点的w邻域的灰度均值大小Gray(n)为：
以所述灰度均值作为第i点对应的灰度值，其中N为中心线的像素个数，n为索引号，通过所述索引号能够找到对应的坐标，t为变量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510778599.6A CN105405142B (zh) | 2015-11-12 | 2015-11-12 | 一种玻璃面板的边缺陷检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510778599.6A CN105405142B (zh) | 2015-11-12 | 2015-11-12 | 一种玻璃面板的边缺陷检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105405142A CN105405142A (zh) | 2016-03-16 |
| CN105405142B true CN105405142B (zh) | 2019-04-05 |
Family
ID=55470609
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510778599.6A Active CN105405142B (zh) | 2015-11-12 | 2015-11-12 | 一种玻璃面板的边缺陷检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105405142B (zh) |
Families Citing this family (35)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105894036B (zh) * | 2016-04-19 | 2019-04-09 | 武汉大学 | 一种应用于手机屏幕缺陷检测的图像特征模板匹配方法 |
| CN106127779B (zh) * | 2016-06-29 | 2018-12-11 | 上海晨兴希姆通电子科技有限公司 | 基于视觉识别的缺陷检测方法及系统 |
| CN106504231A (zh) * | 2016-10-11 | 2017-03-15 | 广州视源电子科技股份有限公司 | 元件缺陷检测方法和系统 |
| CN106651837B (zh) * | 2016-11-14 | 2019-10-15 | 中国科学院自动化研究所 | 白玻璃板表面崩边缺陷检测方法 |
| CN107677679A (zh) * | 2017-09-22 | 2018-02-09 | 武汉精测电子技术股份有限公司 | 一种aoi检测中l0画面的缺陷分类方法及装置 |
| CN108665458B (zh) * | 2018-05-17 | 2022-02-01 | 杭州智谷精工有限公司 | 透明体表面缺陷提取及识别方法 |
| CN109613002B (zh) * | 2018-11-21 | 2020-06-26 | 腾讯科技（深圳）有限公司 | 一种玻璃缺陷检测方法、装置和存储介质 |
| CN111758024B (zh) * | 2018-12-27 | 2023-03-21 | 深圳配天智能技术研究院有限公司 | 一种缺陷检测方法及装置 |
| CN112147147B (zh) * | 2019-06-26 | 2023-12-22 | 杭州海康机器人股份有限公司 | 边缘缺陷检测方法和边缘缺陷检测装置以及质量检测设备 |
| CN110596120A (zh) * | 2019-09-06 | 2019-12-20 | 深圳新视智科技术有限公司 | 玻璃边界缺陷检测方法、装置、终端及存储介质 |
| CN111007441B (zh) * | 2019-12-16 | 2022-12-02 | 深圳市振邦智能科技股份有限公司 | 一种电解电容极性检测方法及检测系统 |
| CN111402206A (zh) * | 2020-02-27 | 2020-07-10 | 红云红河烟草(集团)有限责任公司 | 一种烟支刮破视觉检测方法及系统 |
| CN111415376B (zh) * | 2020-02-27 | 2023-09-22 | 湖南大学 | 汽车玻璃亚像素轮廓提取方法及汽车玻璃检测方法 |
| CN111724367A (zh) * | 2020-06-16 | 2020-09-29 | 哈尔滨全感科技有限公司 | 一种基于图像方法的玻璃面板脱胶识别方法 |
| CN114022403A (zh) * | 2020-07-16 | 2022-02-08 | 京东方科技集团股份有限公司 | 检测显示面板不良的方法及装置 |
| CN111986192B (zh) * | 2020-08-31 | 2022-05-27 | 华中科技大学 | 一种基于机器视觉的香菇破损检测方法 |
| CN112541894B (zh) * | 2020-12-11 | 2023-12-08 | 无锡雷德环保设备有限公司 | 一种产品形变检测方法 |
| CN112782179A (zh) * | 2020-12-22 | 2021-05-11 | 北京市新技术应用研究所 | 一种产品反光表面缺陷检测方法及系统 |
| CN112598652B (zh) * | 2020-12-25 | 2024-01-30 | 凌云光技术股份有限公司 | 一种基于梯度变换的液晶屏边缘断线检测方法 |
| CN112927218B (zh) * | 2021-03-23 | 2023-07-25 | 上海晨兴希姆通电子科技有限公司 | 用于cpu散热板缺陷的检测方法及检测系统 |
| CN113379744B (zh) * | 2021-08-12 | 2021-11-19 | 山东大拇指喷雾设备有限公司 | 基于图像处理的喷嘴装置表面缺陷检测方法与系统 |
| CN113469921B (zh) * | 2021-09-06 | 2022-02-08 | 深圳市创世易明科技有限公司 | 图像缺陷修复方法、系统、计算机设备及存储介质 |
| CN114627110B (zh) * | 2022-05-12 | 2022-08-16 | 济宁海富光学科技有限公司 | 一种玻璃盖板透光异常检测方法 |
| CN114792369B (zh) * | 2022-06-29 | 2022-09-23 | 上海启迪睿视智能科技有限公司 | 基于光投影的烟条盒填充状态检测方法及系统 |
| CN115063603B (zh) * | 2022-07-27 | 2023-04-07 | 海门王巢家具制造有限公司 | 基于边缘信息的木材年轮线精确提取及复原方法 |
| CN115035120B (zh) * | 2022-08-12 | 2022-11-04 | 山东迪格重工机械有限公司 | 基于物联网的机床控制方法及系统 |
| CN115049657A (zh) * | 2022-08-15 | 2022-09-13 | 启东晶尧光电科技有限公司 | 一种玻璃缺陷检测方法 |
| CN115908269B (zh) * | 2022-10-26 | 2023-07-04 | 中科慧远视觉技术(北京)有限公司 | 视觉缺陷检测方法、装置、存储介质和计算机设备 |
| CN115641332B (zh) * | 2022-12-01 | 2023-03-31 | 中科慧远视觉技术(北京)有限公司 | 产品边缘外观缺陷的检测方法及装置、介质、设备 |
| CN115880248B (zh) * | 2022-12-13 | 2024-02-09 | 哈尔滨耐是智能科技有限公司 | 一种表面划痕缺陷识别方法及视觉检测设备 |
| TWI830553B (zh) * | 2022-12-26 | 2024-01-21 | 荷蘭商荷蘭移動驅動器公司 | 車窗磨損檢測方法及相關設備 |
| CN116542975B (zh) * | 2023-07-05 | 2023-09-12 | 成都数之联科技股份有限公司 | 一种玻璃面板的缺陷分类方法、装置、设备和介质 |
| CN116977409B (zh) * | 2023-08-11 | 2024-01-30 | 盐城汇达玻璃仪器有限公司 | 一种计量用玻璃制品自动标线方法及系统 |
| CN117058141B (zh) * | 2023-10-11 | 2024-03-01 | 福建钜鸿百纳科技有限公司 | 一种玻璃磨边缺陷的检测方法及终端 |
| CN117269179B (zh) * | 2023-11-23 | 2024-02-02 | 平方和(北京)科技有限公司 | 基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法和系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101256157A (zh) * | 2008-03-26 | 2008-09-03 | 广州中国科学院工业技术研究院 | 表面缺陷检测方法、装置 |
| CN101320004A (zh) * | 2008-07-03 | 2008-12-10 | 西北工业大学 | 基于机器视觉的竹条缺陷在线检测方法 |
| CN101996405A (zh) * | 2010-08-30 | 2011-03-30 | 中国科学院计算技术研究所 | 一种快速的玻璃图像缺陷检测及分类方法及其装置 |
| CN102136061A (zh) * | 2011-03-09 | 2011-07-27 | 中国人民解放军海军航空工程学院 | 一种矩形石英晶片缺陷自动检测分类识别方法 |
| CN104535586A (zh) * | 2014-11-18 | 2015-04-22 | 华东理工大学 | 带钢边部缺陷检测识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9092842B2 (en) * | 2011-08-04 | 2015-07-28 | Sharp Laboratories Of America, Inc. | System for defect detection and repair |
-
2015
- 2015-11-12 CN CN201510778599.6A patent/CN105405142B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101256157A (zh) * | 2008-03-26 | 2008-09-03 | 广州中国科学院工业技术研究院 | 表面缺陷检测方法、装置 |
| CN101320004A (zh) * | 2008-07-03 | 2008-12-10 | 西北工业大学 | 基于机器视觉的竹条缺陷在线检测方法 |
| CN101996405A (zh) * | 2010-08-30 | 2011-03-30 | 中国科学院计算技术研究所 | 一种快速的玻璃图像缺陷检测及分类方法及其装置 |
| CN102136061A (zh) * | 2011-03-09 | 2011-07-27 | 中国人民解放军海军航空工程学院 | 一种矩形石英晶片缺陷自动检测分类识别方法 |
| CN104535586A (zh) * | 2014-11-18 | 2015-04-22 | 华东理工大学 | 带钢边部缺陷检测识别方法 |
Non-Patent Citations (4)
| Title |
|---|
| Detection of Defects inAutomotive Metal Components Through Computer Vision;Mario Campos 等;《IEEE International Symposium on Industrial Electronics》;20080702;第860-865页 |
| 一种基于改进动态阈值的缺陷提取算法;张瑾 等;《包装工程》;20120610;第33卷(第11期);第107-111页 |
| 基于机器视差觉的触摸屏玻璃缺陷检测方法研究;陈晓红;《中国优秀硕士学位论文全文数据库信息科技辑》;20131215;第I140-662页正文第27页第1段、第29页第2、4段、第30页第3段、第31页第2段、第38页第3段、第39页第1、3段、第53页第2段 |
| 路面裂缝自动识别与测量;曹建农 等;《长安大学学报（自然科学版）》;20140531;第34卷(第3期);第1-7页 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105405142A (zh) | 2016-03-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105405142B (zh) | 一种玻璃面板的边缺陷检测方法及系统 | |
| CN108460757B (zh) | 一种手机TFT-LCD屏Mura缺陷在线自动检测方法 | |
| CN105447851B (zh) | 一种玻璃面板的音孔缺陷检测方法及系统 | |
| 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 | |
| CN109870461B (zh) | 一种电子元器件质量检测系统 | |
| WO2021003824A1 (zh) | 基于图像识别的违章建筑识别方法、装置 | |
| CN105067638B (zh) | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 | |
| CN115222733B (zh) | 基于图像识别的金属构件表面缺陷检测方法 | |
| Zhang et al. | Matched filtering algorithm for pavement cracking detection | |
| CN112837290B (zh) | 一种基于种子填充算法的裂缝图像自动识别方法 | |
| CN104268872B (zh) | 基于一致性的边缘检测方法 | |
| CN105957059B (zh) | 电子元件漏件检测方法和系统 | |
| CN106446952A (zh) | 一种乐谱图像识别方法及装置 | |
| CN110210448B (zh) | 一种智能人脸皮肤老化程度的识别与评估方法 | |
| CN106599890B (zh) | 变电站巡检机器人数字式仪表识别算法 | |
| CN110827235B (zh) | 钢板表面缺陷检测方法 | |
| CN104408707A (zh) | 一种快速数字成像模糊鉴别与复原图像质量评估方法 | |
| CN109444169A (zh) | 一种轴承缺陷检测方法及系统 | |
| CN113935666B (zh) | 基于图像处理的建筑装饰墙面砖异常评估方法 | |
| CN108537787A (zh) | 一种人脸图像的质量判定方法 | |
| CN104112141A (zh) | 一种基于公路监控设备的货车安全带系挂状态的检测方法 | |
| CN114926410A (zh) | 制动盘外观缺陷检测方法 | |
| CN114972356A (zh) | 塑料制品表面缺陷检测识别方法及系统 | |
| CN103150725B (zh) | 基于非局部均值的susan边缘检测方法及系统 | |
| CN116524205A (zh) | 一种污水曝气自动检测识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |