CN105891233B - 基于机器视觉的镜片表面缺陷智能检测系统及其实现方法 - Google Patents
基于机器视觉的镜片表面缺陷智能检测系统及其实现方法 Download PDFInfo
- Publication number
- CN105891233B CN105891233B CN201610357279.8A CN201610357279A CN105891233B CN 105891233 B CN105891233 B CN 105891233B CN 201610357279 A CN201610357279 A CN 201610357279A CN 105891233 B CN105891233 B CN 105891233B
- Authority
- CN
- China
- Prior art keywords
- machine
- image
- defect
- lens
- conveyer belt
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 71
- 238000012545 processing Methods 0.000 claims abstract description 29
- 230000005540 biological transmission Effects 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 14
- 239000013618 particulate matter Substances 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 238000003491 array Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000009472 formulation Methods 0.000 claims description 3
- 230000005764 inhibitory process Effects 0.000 claims description 3
- 238000011410 subtraction method Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 230000005622 photoelectricity Effects 0.000 claims 1
- 238000012800 visualization Methods 0.000 abstract description 2
- 238000007689 inspection Methods 0.000 description 4
- 208000027418 Wounds and injury Diseases 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 208000037805 labour Diseases 0.000 description 3
- 238000004064 recycling Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/958—Inspecting transparent materials or objects, e.g. windscreens
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- G06T5/70—
-
- 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
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
- G01N2021/0181—Memory or computer-assisted visual determination
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- 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
本发明涉及一种基于机器视觉的镜片表面缺陷智能检测系统及其实现方法，该包括图像采集单元、PC机、数据处理单元、机械手单元以及传送单元；所述图像采集单元的输出端与所述PC机的输入端相连，用以将采集到的镜片缺损图像传输至所述PC机；所述PC机的输出端与所述数据处理单元的输入端相连，所述数据处理单元的输出端与所述机械手单元以及所述传送单元相连。本发明中的PC机利用Matlab进行缺陷识别算法的开发，判断镜片是否存在缺陷，将数据传送至单片机，通过单片机与机械手将缺陷镜片剔除，并在人机可视化界面上显示缺陷，从而实现机器视觉在线检测。
Description
技术领域
本发明涉及镜片检测领域，特别是涉及一种基于机器视觉的镜片表面缺陷智能检测系统及其实现方法。
背景技术
当前国内大多数镜片生产企业采用的人工抽样进行质量检测，这种方法质检过程效率低，质检的结果精度差，更有下列几个严重的缺陷：(1)容易出现漏检的情况，长时间的重复劳动，人眼极易疲劳，常导致废品漏检，给镜片厂家及使用单位带来严重损失，造成极坏的社会影响；(2)无法保证统一的质量标准，人工检查时，合格与否是检查者根据感觉主观判断的，不同的人甚至同一人在不同的状态下的判断标准很难做到统一；(3)人工检测的数据记录存储非数字化，无法实现检测结果的数据实时共享。
所以设计一种镜片表面缺损自动检测系统，克服传统检测的弊端，基于机器视觉开发缺陷识别算法，能够大幅提高检测效率、精确度及自动化程度，同时还能够减少大量劳动力，降低检测工作对工人眼睛的伤害，是十分有意义的。
发明内容
有鉴于此，本发明的目的是提供一种基于机器视觉的镜片表面缺陷智能检测系统及其实现方法，利用Matlab进行缺陷识别算法的开发，判断是否有缺陷，将数据传送至单片机，通过单片机与机械手将缺陷镜片剔除，并在人机可视化界面上显示缺陷，从而实现机器视觉在线检测。
本发明采用以下方案实现：一种基于机器视觉的镜片表面缺陷智能检测系统，包括图像采集单元、PC机、数据处理单元、机械手单元以及传送单元；所述图像采集单元的输出端与所述PC机的输入端相连，用以将采集到的镜片缺损图像传输至所述PC机；所述PC机的输出端与所述数据处理单元的输入端相连，所述数据处理单元的输出端与所述机械手单元以及所述传送单元相连。
进一步地，所述图像采集单元包括工业摄像头，所述工业摄像头通过USB接口与所述PC机相连，所述工业摄像头设置于传送带上方。
进一步地，所述数据处理单元包括一Arduino单片机模块以及与其相连的一用以检测镜片的光电传感器以及一继电器模块，所述Arduino单片机模块与所述PC机的输出端相连，所述光电传感器设置于传送带的一侧。
进一步地，所述传送单元包括一用以输送镜片移动的传送带、一用以控制传送带转到的电机以及一电机控制器；所述电机控制器的输入端与继电器模块的输出端相连，所述电机控制器的输出端与所述电机相连，所述电机与所述传送带相连。
进一步地，所述机械手单元包括相互相连的一舵机与一舵机杆，所述舵机与Arduino单片机模块相连，所述舵机与舵机杆均设置于传送带的一侧。
特别地，所述舵机杆可采用吸盘吸起存在缺陷的镜片，移动到传送带的一侧的回收盒上方，吸盘放气后镜片掉落到回收盒内。
本发明还采用以下方法实现：一种基于机器视觉的镜片表面缺陷智能检测系统的实现方法，包括以下步骤：
步骤S1：所述数据处理单元中的光电传感器检测到镜片到达工业摄像头的镜头底下时，向所述Arduino单片机的第一数字口输入高电平；
步骤S2：所述Arduino单片机得到所述光电传感器的信号后，通过第二数字口输出低电平至舵机，并控制传送带停止工作；
步骤S3：所述Arduino单片机发送信号“1”至PC机，所述PC机对接收到的镜片图像进行处理，若镜片图像检测出缺陷，则所述PC机发送信号“2”至所述Arduino单片机，所述Arduino单片机控制舵机运动，舵机带动舵机杆转动，将存在缺陷的镜片从传送带上移出；若镜片图像未检测出缺陷，则所述PC机发送信号“3”至所述Arduino单片机，所述Arduino单片机读取到信号“3”，控制传送带继续运动。
进一步地，所述PC机包括MATLAB图像处理程序及其人机交互界面；所述MATLAB图像处理程序将采集到的镜片图像采用滤波与二值化进行预处理去除图像噪声，并采用Canny算法进行镜片边缘检测，再采用图像相减法对镜片表面边界区域进行消除，后续提取边界内部的几何特征，最后进行镜片缺陷识别与缺陷标记。
进一步地，所述预处理中，采用均值滤波对采集到的图像先进行均值滤波以及中值滤波处理，用均值代替原图像中的各个像素值，即对待处理的当前像素点(x，y)，选择一个模板，该模板由其近邻的若干像素组成，求模板中所有像素的均值，再把该均值赋予当前像素点(x，y)，作为处理后图像在该点上的灰度；再采用二值形态学消除图像噪声，对于二值图像采用结构元素对集合进行开启操作将目标周围的噪声块消除掉，采用结构元素对集合进行闭合操作将内部的噪声孔消除掉。
进一步地，所述Canny算法具体包括以下步骤：
步骤S21：用二维高斯函数的一阶导数对图像进行平滑，设二维高斯函数为:
其梯度矢量为：
用分解的方法提高速度，将提付矢量分解为2个一维的行滤波器：
其中，k为常数，σ为高斯滤波器参数，用以控制平滑程度；
步骤S22：采用2×2邻域一阶偏导的有限差分计算平滑后的数据阵列I(x,y)的梯度幅值和梯度方向，其中，x和y方向偏导数的2个阵列和分别为
Px(i,j)＝(I(i,j+1)-I(i,j)+I(i+1,j+1)-I(i+1,j))/2
Py(i,j)＝(I(i,j)-I(i+1,j)+I(i,j+1)-I(i+1,j+1))/2
梯度和幅值方向如下式：
θ(i,j)＝arctan(Py(i,j)/Px(i,j))；
步骤S23：对梯度幅值进行极大值抑制：细化梯度幅值图像M(i,j)中的屋脊带，只保留幅值局部变化最大的点，用以精确定位边缘；
步骤S24：检测和连接边缘：使用双阀值算法，将图像进行分割，分成两个高、低阀值边缘图像Th(i,j)、Tl(i,j)，利用递归跟踪的算法不断在低阀值边缘图像Tl(i,j)中搜集边缘，补充高阀值边缘Th(i,j)形成的轮廓的空隙。
进一步地，所述镜片缺陷识别与缺陷标记中，所述镜片缺陷目标包括颗粒物、划伤以及气泡，提取镜片缺陷区域的形状特征参数，包括面积和周长，并计算镜片缺陷的圆形度和长宽比；根据镜片缺陷的圆形度值和长宽比区分气泡与划伤，根据镜片缺陷的面积和周长区分颗粒物。
与现有技术相比，本发明具有如下优点：
(1)将工业相机、Matlab和单片机结合使用，通过对缺损图像的分析来判断镜片表面是否有缺陷，克服传统检测的弊端，能够大幅提高检测效率、精确度及自动化程度有利于；
(2)通过单片机进行数据处理，控制传送带运送镜片，通过光电传感器检测镜片的位置，能够减少大量劳动力，降低检测工作对工人眼睛的伤害。
(3)在能满足设计要求条件下选用市面最常用元件，并采用自动采集自动处理方式，减少人工操作按键，具有制造成本低、操作简便、体积小等优点。
附图说明
图1是本发明的系统原理框图。
图2是本发明的电路原理图。
图3是本发明的系统结构示意图。
图中：1—工业摄像头，2—舵机，3—传送带，4—Arduino单片机，5—PC机。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
本实施例提供一种基于机器视觉的镜片表面缺陷智能检测系统，如图1所示，包括图像采集单元、PC机、数据处理单元、机械手单元以及传送单元；所述图像采集单元的输出端与所述PC机的输入端相连，用以将采集到的镜片缺损图像传输至所述PC机；所述PC机的输出端与所述数据处理单元的输入端相连，所述数据处理单元的输出端与所述机械手单元以及所述传送单元相连。
在本实施例中，所述图像采集单元包括工业摄像头，所述工业摄像头通过USB接口与所述PC机相连，所述工业摄像头设置于传送带上方。
在本实施例中，如图2所示，所述数据处理单元包括一Arduino单片机模块以及与其相连的一用以检测镜片的光电传感器以及一继电器模块，所述Arduino单片机模块与所述PC机的输出端相连，所述光电传感器设置于传送带的一侧。
在本实施例中，所述传送单元包括一用以输送镜片移动的传送带、一用以控制传送带转到的电机以及一电机控制器；所述电机控制器的输入端与继电器模块的输出端相连，所述电机控制器的输出端与所述电机相连，所述电机与所述传送带相连。
在本实施例中，所述机械手单元包括相互相连的一舵机与一舵机杆，所述舵机与Arduino单片机模块相连，所述舵机与舵机杆均设置于传送带的一侧。
在本实施例中，特别地，所述舵机杆可采用吸盘吸起存在缺陷的镜片，移动到传送带的一侧的回收盒上方，吸盘放气后镜片掉落到回收盒内。
在本实施例中，如图3所示，一种基于机器视觉的镜片表面缺陷智能检测系统的实现方法，包括以下步骤：
步骤S1：所述数据处理单元中的光电传感器检测到镜片到达工业摄像头的镜头底下时，向所述Arduino单片机的第一数字口输入高电平；
步骤S2：所述Arduino单片机得到所述光电传感器的信号后，通过第二数字口输出低电平至舵机，并控制传送带停止工作；
步骤S3：所述Arduino单片机发送信号“1”至PC机，所述PC机对接收到的镜片图像进行处理，若镜片图像检测出缺陷，则所述PC机发送信号“2”至所述Arduino单片机，所述Arduino单片机控制舵机运动，舵机带动舵机杆转动，将存在缺陷的镜片从传送带上移出；若镜片图像未检测出缺陷，则所述PC机发送信号“3”至所述Arduino单片机，所述Arduino单片机读取到信号“3”，控制传送带继续运动。
在本实施例中，所述PC机包括MATLAB图像处理程序及其人机交互界面；所述MATLAB图像处理程序将采集到的镜片图像采用滤波与二值化进行预处理去除图像噪声，并采用Canny算法进行镜片边缘检测，再采用图像相减法对镜片表面边界区域进行消除，后续提取边界内部的几何特征，最后进行镜片缺陷识别与缺陷标记。
在本实施例中，所述预处理中，采用均值滤波对采集到的图像先进行均值滤波以及中值滤波处理，用均值代替原图像中的各个像素值，即对待处理的当前像素点(x，y)，选择一个模板，该模板由其近邻的若干像素组成，求模板中所有像素的均值，再把该均值赋予当前像素点(x，y)，作为处理后图像在该点上的灰度；再采用二值形态学消除图像噪声，对于二值图像采用结构元素对集合进行开启操作将目标周围的噪声块消除掉，采用结构元素对集合进行闭合操作将内部的噪声孔消除掉。
在本实施例中，所述Canny算法具体包括以下步骤：
步骤S21：用二维高斯函数的一阶导数对图像进行平滑，设二维高斯函数为:
其梯度矢量为：
用分解的方法提高速度，将提付矢量分解为2个一维的行滤波器：
其中，k为常数，σ为高斯滤波器参数，用以控制平滑程度；
步骤S22：采用2×2邻域一阶偏导的有限差分计算平滑后的数据阵列I(x,y)的梯度幅值和梯度方向，其中，x和y方向偏导数的2个阵列和分别为
Px(i,j)＝(I(i,j+1)-I(i,j)+I(i+1,j+1)-I(i+1,j))/2
Py(i,j)＝(I(i,j)-I(i+1,j)+I(i,j+1)-I(i+1,j+1))/2
梯度和幅值方向如下式：
θ(i,j)＝arctan(Py(i,j)/Px(i,j))；
步骤S23：对梯度幅值进行极大值抑制：细化梯度幅值图像M(i,j)中的屋脊带，只保留幅值局部变化最大的点，用以精确定位边缘；
步骤S24：检测和连接边缘：使用双阀值算法，将图像进行分割，分成两个高、低阀值边缘图像Th(i,j)、Tl(i,j)，利用递归跟踪的算法不断在低阀值边缘图像Tl(i,j)中搜集边缘，补充高阀值边缘Th(i,j)形成的轮廓的空隙。
在本实施例中，所述镜片缺陷识别与缺陷标记中，基于镜片图像分割的结果，根据镜片主要缺陷目标(颗粒物、划伤、气泡)的二值图像和边缘图像，提取出用来描述树脂镜片外观质量缺陷的形状特征参数(面积和周长)，然后计算出镜片缺陷的圆形度和长宽比这两个主要特征参数，组成特征矢量，对于不同形状的缺陷区域，这些特征参数各不相同。其中，镜片表面缺陷提取特征的因为颗粒物缺陷表现为狄度突变点，而划伤缺陷则表现为比较细长，气泡缺陷一般表现为圆型或椭圆型。因此，对于镜片气泡缺陷而言，其圆形度的值比划伤的圆形度值要大的多，而长宽比值则较划伤的长宽比值小，划伤的特征参数值恰恰与此相反，颗粒物的面积相比较而言比较小，灰度梯度大，因此基于镜片缺陷的圆形度值和长宽比值就可以将缺陷中的气泡与划伤区分开来，而基于镜片缺陷的面积周长则可以区分颗粒物。
在本实施中，所述人机交互界面为matlab GUI界面，其在Matlab程序开发中起着举足轻重的作用，它有别于传统的VC、JAVA或者Delphi的界面开发方式，作为一个数学运算能力很强的软件，Matlab的运算结果通常是用图形来表示的，GUI的使用更易于图形表现的多元化，在数字图像处理中更加的方便、直观。
因此镜片缺陷检测的图像处理基于GUI的平台进行操作的，可看到GUI的界面以及算法最终运行的结果。
在本实施例中，该系统以机器视觉和图像处理技术为基础，针对缺陷不同的灰度特征，采用缺陷识别算法进行镜片表面缺损检测。通过USB工业摄像头采集缺损图像，并通过MATLAB程序滤波得到灰度增强图像，然后分割图像与背景，进而提取和识别缺陷特征，开发了人机交互界面，结合了缺陷剔除机构和传送装置，提供信息统计功能，达到了代替人工检测识别镜片表面缺损的目的。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。
Claims (5)
1.一种基于机器视觉的镜片表面缺陷智能检测系统的实现方法，其特征在于：
所述镜片表面缺陷智能检测系统包括图像采集单元、PC机、数据处理单元、机械手单元以及传送单元；所述图像采集单元的输出端与所述PC机的输入端相连，用以将采集到的镜片缺损图像传输至所述PC机；所述PC机的输出端与所述数据处理单元的输入端相连，所述数据处理单元的输出端与所述机械手单元以及所述传送单元相连；
所述传送单元包括一用以输送镜片移动的传送带、一用以控制传送带转到的电机以及一电机控制器；所述电机控制器的输入端与继电器模块的输出端相连，所述电机控制器的输出端与所述电机相连，所述电机与所述传送带相连；
所述图像采集单元包括工业摄像头，所述工业摄像头通过USB接口与所述PC机相连，所述工业摄像头设置于传送带上方；
所述数据处理单元包括一Arduino单片机模块以及与其相连的一用以检测镜片的光电传感器以及一继电器模块，所述Arduino单片机模块与所述PC机的输出端相连，所述光电传感器设置于传送带的一侧；
所述机械手单元包括相互相连的一舵机与一舵机杆，所述舵机与Arduino单片机模块相连，所述舵机与舵机杆均设置于传送带的一侧；
该实现方法包括以下步骤：
步骤S11：所述数据处理单元中的光电传感器检测到镜片到达工业摄像头的镜头底下时，向所述Arduino单片机的第一数字口输入高电平；
步骤S21：所述Arduino单片机得到所述光电传感器的信号后，通过第二数字口输出低电平至舵机，并控制传送带停止工作；
步骤S31：所述Arduino单片机发送信号“1”至PC机，所述PC机对接收到的镜片图像进行处理，若镜片图像检测出缺陷，则所述PC机发送信号“2”至所述Arduino单片机，所述Arduino单片机控制舵机运动，舵机带动舵机杆转动，将存在缺陷的镜片从传送带上移出；若镜片图像未检测出缺陷，则所述PC机发送信号“3”至所述Arduino单片机，所述Arduino单片机读取到信号“3”，控制传送带继续运动。
2.根据权利要求1所述的一种基于机器视觉的镜片表面缺陷智能检测系统的实现方法，其特征在于：所述PC机包括MATLAB图像处理程序及其人机交互界面；所述MATLAB图像处理程序将采集到的镜片图像采用滤波与二值化进行预处理去除图像噪声，并采用Canny算法进行镜片边缘检测，再采用图像相减法对镜片表面边界区域进行消除，后续提取边界内部的几何特征，最后进行镜片缺陷识别与缺陷标记。
3.根据权利要求2所述的一种基于机器视觉的镜片表面缺陷智能检测系统的实现方法，其特征在于：所述预处理中，采用均值滤波对采集到的图像先进行均值滤波以及中值滤波处理，用均值代替原图像中的各个像素值，即对待处理的当前像素点(x，y)，选择一个模板，该模板由其近邻的若干像素组成，求模板中所有像素的均值，再把该均值赋予当前像素点(x，y)，作为处理后图像在该点上的灰度；再采用二值形态学消除图像噪声，对于二值图像采用结构元素对集合进行开启操作将目标周围的噪声块消除掉，采用结构元素对集合进行闭合操作将内部的噪声孔消除掉。
4.根据权利要求2所述的一种基于机器视觉的镜片表面缺陷智能检测系统的实现方法，其特征在于：所述Canny算法具体包括以下步骤：
步骤S21：用二维高斯函数的一阶导数对图像进行平滑，设二维高斯函数为:
其梯度矢量为：
用分解的方法提高速度，将提付矢量分解为2个一维的行滤波器：
其中，k为常数，σ为高斯滤波器参数，用以控制平滑程度；
步骤S22：采用2×2邻域一阶偏导的有限差分计算平滑后的数据阵列I(x,y)的梯度幅值和梯度方向，其中，x和y方向偏导数的2个阵列和分别为
Px(i,j)＝(I(i,j+1)-I(i,j)+I(i+1,j+1)-I(i+1,j))/2
Py(i,j)＝(I(i,j)-I(i+1,j)+I(i,j+1)-I(i+1,j+1))/2
梯度和幅值方向如下式：
θ(i,j)＝arctan(Py(i,j)/Px(i,j))；
步骤S23：对梯度幅值进行极大值抑制：细化梯度幅值图像M(i,j)中的屋脊带，只保留幅值局部变化最大的点，用以精确定位边缘；
步骤S24：检测和连接边缘：使用双阀值算法，将图像进行分割，分成两个高、低阀值边缘图像Th(i,j)、Tl(i,j)，利用递归跟踪的算法不断在低阀值边缘图像Tl(i,j)中搜集边缘，补充高阀值边缘Th(i,j)形成的轮廓的空隙。
5.根据权利要求2所述的一种基于机器视觉的镜片表面缺陷智能检测系统的实现方法，其特征在于：所述镜片缺陷识别与缺陷标记中，所述镜片缺陷目标包括颗粒物、划伤以及气泡，提取镜片缺陷区域的形状特征参数，包括面积和周长，并计算镜片缺陷的圆形度和长宽比；根据镜片缺陷的圆形度值和长宽比区分气泡与划伤，根据镜片缺陷的面积和周长区分颗粒物。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610357279.8A CN105891233B (zh) | 2016-05-26 | 2016-05-26 | 基于机器视觉的镜片表面缺陷智能检测系统及其实现方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610357279.8A CN105891233B (zh) | 2016-05-26 | 2016-05-26 | 基于机器视觉的镜片表面缺陷智能检测系统及其实现方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105891233A CN105891233A (zh) | 2016-08-24 |
| CN105891233B true CN105891233B (zh) | 2019-03-12 |
Family
ID=56716949
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610357279.8A Active CN105891233B (zh) | 2016-05-26 | 2016-05-26 | 基于机器视觉的镜片表面缺陷智能检测系统及其实现方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105891233B (zh) |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107486415B (zh) * | 2017-08-09 | 2023-10-03 | 中国计量大学 | 基于机器视觉的篾片缺陷在线检测系统及检测方法 |
| CN108344743A (zh) * | 2018-02-02 | 2018-07-31 | 佛山职业技术学院 | 一种基于机器视觉药品泡罩包装缺陷检测方法及系统 |
| CN108694711A (zh) * | 2018-02-19 | 2018-10-23 | 江苏新时高温材料股份有限公司 | 基于机器视觉技术实现陶瓷膜表面缺陷二维检测方法 |
| CN108445021A (zh) * | 2018-03-06 | 2018-08-24 | 浙江工业大学 | 微结构棱镜镜片质量检测系统 |
| CN108490002B (zh) * | 2018-03-06 | 2021-02-26 | 浙江工业大学 | 一种微结构棱镜镜片质量检测方法 |
| CN108956630B (zh) * | 2018-03-30 | 2021-10-22 | 湖北工程学院 | 面膜位置检验方法和装置 |
| CN108731914B (zh) * | 2018-04-02 | 2020-02-21 | 佛山市易恒照明光电有限公司 | 一种成像镜检测装置 |
| 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 |
| CN108890692A (zh) * | 2018-07-05 | 2018-11-27 | 陕西大中科技发展有限公司 | 一种用于工业机器人视觉分拣的物料颜色识别方法 |
| CN111429396B (zh) * | 2019-01-09 | 2023-08-22 | 银河水滴科技（北京）有限公司 | 一种图像检测方法及装置 |
| CN110554045A (zh) * | 2019-08-20 | 2019-12-10 | 华中科技大学 | 一种全自动镜片缺陷检测系统 |
| CN110954553B (zh) * | 2019-10-10 | 2022-02-18 | 段美华 | 一种镜片光学检测系统 |
| CN112991251B (zh) * | 2019-11-29 | 2023-01-17 | 合肥欣奕华智能机器股份有限公司 | 一种表面缺陷检测的方法、装置及设备 |
| CN111551568A (zh) * | 2020-06-04 | 2020-08-18 | 哈尔滨理工大学 | 一种基于机器视觉的镜片缺陷检测与分类方法 |
| CN112419228B (zh) * | 2020-10-14 | 2022-04-05 | 高视科技(苏州)有限公司 | 盖板立体边缘缺陷的检测方法及装置 |
| CN113252568A (zh) * | 2021-06-10 | 2021-08-13 | 菲特（天津）检测技术有限公司 | 基于机器视觉的镜片表面缺陷检测方法、系统、产品、终端 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102305793A (zh) * | 2011-05-11 | 2012-01-04 | 苏州天准精密技术有限公司 | 一种产品外观质量检测方法和设备 |
| CN104280406A (zh) * | 2014-09-16 | 2015-01-14 | 中国科学院广州能源研究所 | 一种铜件表面缺陷检测的机器视觉系统 |
| CN105509659A (zh) * | 2015-11-25 | 2016-04-20 | 淮安市计量测试所 | 基于图像处理的平面度检测系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8781210B2 (en) * | 2011-11-09 | 2014-07-15 | United Technologies Corporation | Method and system for automated defect detection |
-
2016
- 2016-05-26 CN CN201610357279.8A patent/CN105891233B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102305793A (zh) * | 2011-05-11 | 2012-01-04 | 苏州天准精密技术有限公司 | 一种产品外观质量检测方法和设备 |
| CN104280406A (zh) * | 2014-09-16 | 2015-01-14 | 中国科学院广州能源研究所 | 一种铜件表面缺陷检测的机器视觉系统 |
| CN105509659A (zh) * | 2015-11-25 | 2016-04-20 | 淮安市计量测试所 | 基于图像处理的平面度检测系统 |
Non-Patent Citations (2)
| Title |
|---|
| 一种基于Canny理论的自适应边缘检测方法;王植等;《中国图象图形学报》;20040831;第9卷(第8期);957-962 |
| 基于图像处理的镜片疵病类型识别研究;姚红兵等;《激光与光电子学进展》;20131130;第50卷(第11期);111003-1 - 111003-8 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105891233A (zh) | 2016-08-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105891233B (zh) | 基于机器视觉的镜片表面缺陷智能检测系统及其实现方法 | |
| CN108520274B (zh) | 基于图像处理及神经网络分类的高反光表面缺陷检测方法 | |
| CN106204614B (zh) | 一种基于机器视觉的工件外观缺陷检测方法 | |
| CN106053479B (zh) | 一种基于图像处理的工件外观缺陷的视觉检测系统 | |
| Xue-Wu et al. | A vision inspection system for the surface defects of strongly reflected metal based on multi-class SVM | |
| CN102735695B (zh) | 一种镜片瑕疵快速检测方法及装置 | |
| CN105894036A (zh) | 一种应用于手机屏幕缺陷检测的图像特征模板匹配方法 | |
| CN107486415A (zh) | 基于机器视觉的篾片缺陷在线检测系统及检测方法 | |
| Ming et al. | A comprehensive review of defect detection in 3C glass components | |
| CN105158268A (zh) | 精冲零部件缺陷智能在线检测方法、系统及装置 | |
| CN207238542U (zh) | 一种基于机器视觉的篾片缺陷在线检测系统 | |
| CN102175692A (zh) | 织物坯布疵点快速检测系统及方法 | |
| CN116109637B (zh) | 基于视觉的涡轮增压器叶轮外观缺陷检测的系统及其方法 | |
| CN113252568A (zh) | 基于机器视觉的镜片表面缺陷检测方法、系统、产品、终端 | |
| CN107891012B (zh) | 基于等效算法的珍珠大小及圆形度分拣装置 | |
| CN205721986U (zh) | 一种线缆表观缺陷检测和字符识别装置 | |
| CN104952754A (zh) | 基于机器视觉的镀膜后硅片分选方法 | |
| CN111932490A (zh) | 一种用于工业机器人的视觉系统抓取信息提取方法 | |
| CN111638218A (zh) | 一种涂层表面缺陷的检测方法 | |
| CN105973903B (zh) | 一种口服液瓶盖检测方法 | |
| CN113192038A (zh) | 基于深度学习的已有火焰环境中异常烟火识别监测方法 | |
| Huang et al. | Mango surface defect detection based on HALCON | |
| CN109870460A (zh) | 一种基于机器视觉的复合材料电池盒表面质量检测方法 | |
| CN103148783B (zh) | 一种气门摇臂安装位置的自动检测方法 | |
| CN107833222A (zh) | 一种非金属零件多余物检测装置及方法 |
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 |