CN106127779A - 基于视觉识别的缺陷检测方法及系统 - Google Patents

Abstract

本发明涉及缺陷检测技术领域，公开一种基于视觉识别的缺陷检测方法及系统。该基于视觉识别的缺陷检测方法包括：获取待检测面板的图像；对图像进行边缘检测，提取目标轮廓；目标轮廓为待进行缺陷检测的轮廓；计算第一切向灰阶梯度；第一切向灰阶梯度为目标轮廓上第一像素点的切向灰阶梯度；第一切向灰阶梯度等于第一像素点的灰度与第二像素点灰度差值；第二像素点与第一像素点相邻，在目标轮廓上位于第一像素点前；根据第一切向灰阶梯度，判断是否检测到缺陷；若第一切向灰阶梯度满足预设缺陷判定条件，判定检测到缺陷。这样，实现了面板印刷过程中细微缺陷的自动检测，检测结果客观，避免了依赖于人工经验。

Description

基于视觉识别的缺陷检测方法及系统

技术领域

本发明涉及缺陷检测技术领域，特别涉及一种基于视觉识别的缺陷检测方法及系统。

背景技术

电子设备玻璃盖板的生产加工工艺的流程一般包括：开料、开槽、倒边、精雕、平磨、清洗、电镀/丝印、镜片清洗、包装。在实现本发明的过程中，本发明的发明人发现，现有技术中存在如下问题：

目前常用的印刷缺陷检查方法大多是基于玻璃盖板图像的边缘提取，而后分析边缘轮廓的平整性和凹凸区域，具体请参见图1，以一款手机面板实物为例，图1中的图像是基于面板的手机实物图像，图2是图1中A部分的放大示意图；从图2可以看出，图1中的印刷边缘存在缺陷，图3、图4分别是图1、图2的轮廓图。在对图3进行缺陷检测时，主要是分析面板边缘的轮廓是否平整或者存在凹凸区域，也就是检测图像边缘是否存在凸起或者凹陷，从图4可以看出，面板的边缘不平整。现有技术中对于细小的、由于印刷丝网破损造成的细微缺陷还无法检出，因为在这类细微缺陷附近的边缘轮廓仍然是平直的，具体请参见图5～图8。图5为手机面板图像，B部分为边缘存在微缺陷部分；图6是图5中B部分的放大示意图；图7、图8分别是图5、图6的轮廓图。现有技术中，对图5～图8中，对于细小的、由于印刷丝网破损造成的细微缺陷，是检测不到的。

现有的工艺是采用终检时用人工目检，这种方法不能预先防范由于设备和生产过程发生的批量性不良，一片盖板从透明基板到成品通常要经过多达二十道的印刷和烘烤，累计耗时数小时。目前常规的自动化丝印机单道印刷产能都在每小时600-1400片，从不良产品的首次发生到终检发现有可能已造成上千片不良品的发生，导致生产成本提高和有效产能下降。

发明内容

本发明实施方式的目的在于提供一种基于视觉识别的缺陷检测方法，可以实现面板印刷过程中缺陷的自动检测，检测结果客观，避免了依赖于人工经验。

为解决上述技术问题，本发明的实施方式提供了一种基于视觉识别的缺陷检测方法，包括：

获取待检测面板的图像；

对图像进行边缘检测，并提取目标轮廓；其中，目标轮廓为待进行缺陷检测的轮廓；

计算第一切向灰阶梯度；其中，第一切向灰阶梯度为目标轮廓上第一像素点的切向灰阶梯度；第一切向灰阶梯度等于第一像素点的灰度与第二像素点的灰度的差值；第二像素点与第一像素点相邻，在目标轮廓上位于第一像素点之前；

根据第一切向灰阶梯度，判断是否检测到缺陷；其中，若第一切向灰阶梯度满足预设的缺陷判定条件，则判定检测到缺陷。

本发明的实施方式还提供了一种基于视觉识别的缺陷检测系统，包括：获取模块、检测模块、计算模块与判断模块；

获取模块，用于获取待检测面板的图像；

检测模块，用于对图像进行边缘检测，并提取目标轮廓；其中，目标轮廓为待进行缺陷检测的轮廓；

计算模块，用于计算第一切向灰阶梯度；其中，第一切向灰阶梯度为目标轮廓上第一像素点的切向灰阶梯度；第一切向灰阶梯度等于第一像素点的灰度与第二像素点的灰度的差值；第二像素点与第一像素点相邻，在目标轮廓上位于第一像素点之前；

判断模块，用于根据第一切向灰阶梯度，判断是否检测到缺陷；其中，若第一切向灰阶梯度满足预设的缺陷判定条件，则判定检测到缺陷。

本发明实施方式相对于现有技术而言，通过边缘检测，得到可能含有缺陷的目标轮廓，缩小了进一步检测的范围，通过逐一计算切向灰阶梯度，判断每两个相邻的像素之间的灰度差值，该差值在满足预设缺陷判定条件下，就会被判定为检测到缺陷，实现了面板印刷过程中缺陷的自动检测，又由于像素是构成图像的最小单位，因此，像素间的灰度差值可以计算得到细微的差异值，同时可以检测到屏幕边缘的微缺陷，所以，本发明实施方式实现了面板印刷过程中细微缺陷的自动检测；并且，通过计算得出准确的灰度数值差异，使得检验结果更加准确、客观，避免了依赖于人工经验；另外，由于使用了边缘变化的梯度值，使得本发明实施方式的检测方法对相机和光源的设置相对不敏感，降低了对检测条件的要求，操作简单，易于实现。

另外，沿目标轮廓的切向计算第一平均值与第一方差；其中，第一平均值为预设长度的第一窗口内梯度幅度的平均值，第一方差为第一窗口内梯度幅度的方差，第一像素点为第一窗口的最后一个像素点；计算第一偏差；其中，第一偏差为第一切向灰阶梯度与第一平均值的偏差；计算第一比值；第一比值为第一偏差与第一方差的比值；若第一比值大于预设比值，则判定第一像素点为奇异点；若相邻的奇异点的数目大于预设数目，则判定相邻的奇异点覆盖的区域存在缺陷；其中，预设数目根据可接受缺陷的尺寸设置。通过待检测点的切向灰阶梯度偏离定长窗口内梯度幅度的平均值的程度，来判定该待检测点处是否存在缺陷，使得本发明实施方式具备自适应功能，可以避免引入误判。

另外，计算第二切向灰阶梯度；其中，第二切向灰阶梯度为目标轮廓上第三像素点的切向灰阶梯度；第二切向灰阶梯度等于第三像素点的灰度与第一像素点的灰度的差值；第三像素点与第一像素点相邻，位于第一像素点之后；根据第二切向灰阶梯度，判断是否检测到缺陷。本发明实施方式可以沿着轮廓切向逐点做灰阶梯度计算，进行微缺陷检测，直至遍历目标轮廓上所有的点，可以避免漏检。

另外，若判定检测到缺陷，则输出报错信息、控制丝印机停机或将检测到的缺陷保存在缺陷记忆模块中。在检测到缺陷后，可以采取相应的措施，保证了本发明实施方式的多样性。

另外，若连续检测到相同特征的缺陷，且相同特征的缺陷的重复次数大于预设次数，则判定检测到批量性缺陷，并输出警示信息。这样，可以避免印刷过程中的产品批量不良，并且，可以进一步降低生产成本，提高有效产能。

另外，采用在线相机抓取待检测面板的图像；其中，根据最佳分辨率和最佳灰阶层次设置相机的对焦、光圈、曝光时间以及背光源的强度。这样，可以得到最佳分辨率和灰阶层的图像，提高分析结果的精确度，避免外界因素对分析结果造成的额外干扰。

另外，根据图像的灰度方差，调整所述预设比值。这样，可以使得检测结果更准确，并且可以节省计算量。

附图说明

图1是现有技术中手机玻璃盖板的图像；

图2是图1中A部分的放大图；

图3是图1中图像的轮廓图；

图4是图2中图像的轮廓图；

图5是现有技术中边缘存在微缺陷的手机玻璃盖板的图像；

图6是图5中B部分的放大图；

图7是图5中图像的轮廓图；

图8是图6中图像的轮廓图；

图9是根据本发明第一实施方式的基于视觉识别的缺陷检测方法的流程图；

图10是根据本发明第一实施方式中的根据灰度差识别缺陷的示意图；

图11是图10中图像的轮廓图；

图12是根据本发明第一实施方式中的轮廓上的缺陷示意图；

图13是根据本发明第二实施方式的基于视觉识别的缺陷检测方法的流程图；

图14是根据本发明第二实施方式中的基于视觉识别的缺陷检测方法的输出结果示意图；

图15是根据本发明第四实施方式的一种基于视觉识别的缺陷检测系统的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。

本发明的第一实施方式涉及一种基于视觉识别的缺陷检测方法。具体流程如图9所示。

步骤301：获取图像。

具体地说，获取待检测面板的图像。在获取过程中，连线相机进行图像的获取，调用相机部件的软件接口，在线读取样品图像，从而快速、方便的获取待检测面板的图像。

在实际应用中，在手机制造领域，是获取手机的玻璃盖板的图像。

步骤302：对图像进行边缘检测，提取目标轮廓。

具体地说，在本步骤中，对图像进行边缘检测，并提取图像中的目标轮廓；其中，目标轮廓为待进行缺陷检测的轮廓。面板的图像的边缘检测，可以采用现有技术中常规的边缘检测算法，比如坎尼算法，直接调用OpenCV函数库来完成。目标轮廓可以包括：面板的内框轮廓与外框轮廓，其中，使用轮廓提取函数，比如FindContours函数，逐一提取封闭的轮廓，然后根据轮廓的尺寸、形状，以及位置，筛选出待检测的内框轮廓与外框轮廓。例如，对手机的玻璃盖板图像进行边缘检测，通过调用函数，完成边缘检测，通过轮廓提取函数，并结合手机的形状、尺寸和准备检测的内或外轮廓，做进一步的提取，最后提取到的轮廓即为要检测的目标轮廓，该目标轮廓可以为手机玻璃盖板的内框轮廓与外框轮廓。

步骤303：计算第一切向灰阶梯度。

具体地说，第一切向灰阶梯度为目标轮廓上第一像素点的切向灰阶梯度；第一切向灰阶梯度等于第一像素点的灰度与第二像素点的灰度的差值；第二像素点与第一像素点相邻，位于第一像素点之前。为清楚地限定第一像素点与第二像素点之间的位置关系，作如下限定：前为沿目标轮廓的逆时针方向，后为沿目标轮廓的顺时针方向；第二像素点位于第一像素点之前，即为第二像素点位于第一像素点的逆时针方向。切向是指沿着提取的目标轮廓的方向，实际的软件实现上，我们可以将目标轮廓的法向量化为45度增量，即仅考虑沿水平、垂直或对角线的灰度差，其中，具体取哪一个方向的灰度差取决于目标轮廓的方向。在本实施方式中，可以沿水平方向计算像素之间的灰度差值，即灰阶梯度，如图10所示，图10的图像为现有技术中细小缺陷区域的获取图像，由图11中的图像可以看出，图11的中图像为图10中图像的轮廓图，由图11可以看出，C像素点的灰度值比D像素点的灰度值大，且C点与D点之间灰度差较大，则认为C和D点之间存在微缺陷，由此可知，边缘切向灰度差可以很好的突出边缘细小的缺陷。

步骤304：计算第一平均值和第一方差。

具体地说，沿目标轮廓的切向计算第一平均值与第一方差；其中，第一平均值为预设长度的第一窗口内梯度幅度的平均值，第一方差为第一窗口内梯度幅度的方差，第一像素点为第一窗口的最后一个像素点。沿目标轮廓切向逐点计算一个预设长度的第一窗口内的梯度幅度平均值和方差，其中，逐点是指逐个像素点，根据步骤303和本步骤中的描述，可知，第一像素点为第一窗口的最后一个像素点，第二像素点处于第一像素点之前。预设长度的第一窗口，该预设长度可以是一个预先设置的固定长度，并且该长度可以由用户根据所检测的面板的尺寸等因素确定。其中，第一方差是衡量数据离散程度的度量，即衡量第一窗口内灰阶梯度幅度波动程度的度量。

步骤305：计算第一偏差。

具体地说，第一偏差为第一切向灰阶梯度与第一平均值的偏差，等于第一切向灰阶梯度与第一平均值的差值。第一平均值是在第一窗口内，目标轮廓上梯度幅度的平均值，如果第一偏差数值比较大，则说明第一像素的切向灰阶梯度偏离第一窗口内的梯度幅度的平均值较大，第一像素的切向灰阶梯度远大于或者远小于第一窗口内的梯度幅度的平均值。

步骤306：计算第一比值。

具体地说，第一比值为第一偏差与第一方差的比值，可以表征所检测的第一像素相对于第一窗口内梯度幅度的波动大小，如果第一比值的值很大，则说明第一像素相对于第一窗口内梯度幅度的波动较大，则第一像素处很有可能存在缺陷。

步骤307：判断第一比值是否大于预设比值。

具体地说，如果第一比值大于预设比值，则进入步骤308中，否则，结束本流程。预设比值可以是用户设置的一个比值，该比值可以根据用户可以接受的灰度变化程度而设定。

如果第一比值未大于预设比值，则说明检测的轮廓上的灰度变化在可接受范围内，不构成缺陷，则可以结束本流程，继续下一像素点的缺陷检测。

步骤308：判定第一像素为奇异点。

具体地说，若第一比值大于预设比值，则判定第一像素点为奇异点。奇异点可以理解为第一像素点的切向灰阶梯度与第一均值的偏差超出预设比值，即超出一个指定的倍数，此时的第一像素点就可以认为是奇异点。可以理解的是，奇异点为第一窗口内存在缺陷的像素点，过多的奇异点的存在，会影响面板的视觉效果，降低用户的体验。

步骤309：判断相邻奇异点数目是否大于预设数目。

具体的说，如果相邻奇异点的数目大于预设的数目，则进入步骤310中，否则，结束此流程。其中，预设数目根据可接受缺陷的尺寸设置。在实际应用中，可接受缺陷的尺寸一般是由设计公司向代工厂提出，代工厂根据品牌公司的要求设置可接受缺陷的尺寸。例如，对某一款手机面板的视窗区要求内框缺陷尺寸不得超过0.05mm乘以0.15mm，则对应的预设数目为4个像素。

如果相邻奇异点的数目小于预设的数目，则奇异点组成的相邻缺陷区域对面板的使用不造成影响，因此，忽略该区域缺陷，并且，结束本流程。

步骤310：判定相邻的奇异点覆盖区域存在缺陷。

具体地说，若相邻的奇异点的数目大于预设数目，则判定这些相邻的奇异点覆盖的区域存在缺陷。其中，预设数目可以根据缺点的尺寸设置。具体如图12所示。图12中，其中，E点所指的较亮的一段区域，即为出现印刷缺陷的区域。

步骤311：输出报错信息、控制丝印机停机或将检测到的缺陷保存在缺陷记忆模块中。

具体地说，若判定检测到缺陷，则输出报错信息、控制丝印机停机或将检测到的缺陷保存在缺陷记忆模块中。对于出现的缺陷，可以及时地做出多种处理，处理方式灵活，并且，用户可以及时注意到检测结果。

本实施方式相对现有技术而言，主要区别及效果在于：通过边缘检测，得到可能含有缺陷的目标轮廓，通过逐一计算切向灰阶梯度，判断每两个相邻的像素之间的灰度差值，该差值在满足预设缺陷判定条件下，就会被判定为检测到缺陷，实现了面板印刷过程中缺陷的自动检测，又由于像素是构成图像的最小单位，因此，像素间的灰度差值可以计算得到细微的差异值，同时可以检测到屏幕边缘的微缺陷，所以，本发明实施方式实现了面板印刷过程中细微缺陷的自动检测；并且，通过计算得出准确的灰度数值差异，使得检验结果更加准确、客观，避免了依赖于人工经验；另外，由于使用了边缘变化的梯度值，使得本发明实施方式的检测方法对相机和光源的设置相对不敏感，降低了对检测条件的要求，操作简单，易于实现。

本发明的第二实施方式涉及一种基于视觉识别的缺陷检测方法。第二实施方式是第一实施方式的优化，主要优化之处在于：在第一实施方式中，介绍了一个像素点的微缺陷检测方法。而在本发明第二实施方式中，介绍逐点微缺陷检测方法，如图13所示，并且可以在生产过程中，检测产品是否存在批量缺陷问题，避免批量性不良，从而有效的降低生产成本，提高有效产能。

由于步骤601至603、605和608与第一实施方式中步骤301至303、311和311完全一致，再次不再一一赘述。

步骤604：根据第一切向灰阶梯度，判断是否检测到缺陷。

具体地说，如果第一切向灰阶梯度满足预设的缺陷判定条件，则判定检测到缺陷，进入步骤605中，否则，进入步骤606中。其中，第一实施方式中步骤304至310是本实施方式中步骤604的具体细化，其中，预设的缺陷判定条件可以与第一实施方式中判定方式一致，即通过判定相邻第一像素点数目是否大于预设数目，判定相邻第一像素点覆盖区域是否存在缺陷，如果判定结果为是，则进入步骤605中，否则，进入步骤606中。

步骤606：计算第二切向灰阶梯度。

具体地说，计算第二切向灰阶梯度；其中，第二切向灰阶梯度为目标轮廓上第三像素点的切向灰阶梯度；第二切向灰阶梯度等于第三像素点的灰度与第一像素点的灰度的差值；第三像素点与第一像素点相邻，位于第一像素点之后。步骤606与第一实施方式步骤303大体一致，本步骤中，根据第一像素灰度与第三像素灰度的差，得出第二切向灰阶梯度，其中，切向为沿着目标轮廓的方向，该第二切向灰阶梯度为目标轮廓上第三像素点的切向灰阶梯度。

步骤607：根据第二切向灰阶梯度，判断是否检测到缺陷。

具体地说，如果第二切向灰阶梯度满足预设的缺陷判定条件，则判定检测到缺陷，进入步骤608中，否则，进入步骤609中。其中，第一实施方式中步骤304至310是本实施方式中步骤607的具体细化，其中，预设的缺陷判定条件可以与第一实施方式中判定方式相似，具体如下：沿目标轮廓的切向计算第二平均值与第二方差；其中，第二平均值为预设长度的第二窗口内梯度幅度的平均值，第二方差为所述第二窗口内梯度幅度的方差，第三像素点为所述第二窗口的最后一个像素点；计算第二偏差；其中，第二偏差为第二切向灰阶梯度与第二平均值的偏差；计算第二比值；第二比值为第二偏差与第二方差的比值；若第二比值大于预设比值，则判定第三像素点为奇异点；若相邻的奇异点的数目大于预设数目，则判定这些相邻的奇异点覆盖的区域存在缺陷。

步骤609：判断检测到相同特征缺陷次数是否大于预设次数。

具体地说，若连续检测到相同特征的缺陷，且相同特征的缺陷的重复次数大于预设次数，则进入步骤610中，否则，结束本流程。比如，若检测到第一像素点、第二像素点、第三像素点均为微缺陷，则判定第一像素点、第二像素点、第三像素为具备相同特征的缺陷。其中，预设次数为预先设置的值，该值可以由用户进行录入，若检测到的相同特征缺陷次数大于预设次数，进入步骤610中，否则，结束本流程。

步骤610：判定检测到批量性缺陷，输出警示信息。

具体地说，若连续检测到相同特征的缺陷，且相同特征的缺陷的重复次数大于预设次数，则判定当前检测到批量性缺陷，输出警示信息，提示用户批量性缺陷。例如，可以在终端以软件界面形式展示检测的输出结果，如图14所示，在软件界面中，可以显示如下内容：工程(Project)为SanXing113Gold1，状态(station)是检测(缺陷)，通过(pass)的像素点为87，失败(fail)的像素点为10，已检测总数(total)为97；视觉项目(VisionPrograms)：SanXing113Gold1，check(核查)；采集时间：0，NG暂停：10，关闭相机(可以通过点击关闭相机)，停止测试(可以通过点击字样停止测试)，视觉系统启动时间：2016/6/2716:10:48，到当前时间(2016/6/1716:11:24)检测耗时：2486ms(毫秒)，NG-5(表示检测到第5级缺陷)。

如果出现批量性缺陷，则输出“Bad”字样，警示用户，此批面板存在批量缺陷，从而，用户可以根据检测的结果，做出相应的操作。

本实施方式相对现有技术而言，主要区别及效果在于：不局限于一个像素点的缺陷检测，可以进行逐个像素点的缺陷检测，并且可以在生产过程中，检测产品是否存在批量缺陷问题，避免批量性不良，从而有效的降低生产成本，提高有效产能。

本发明的第三实施方式涉及一种基于视觉识别的缺陷检测方法。第三实施方式是第一实施方式的优化，主要优化之处在于：在本发明第三实施方式中，获取待检测面板的图像中，根据最佳分辨率和最佳灰阶层次设置相机的对焦、光圈、曝光时间以及背光源的强度，在获取待检测面板的图像之后，根据图像的灰度方差，调整预设比值，提高分析结果的精确度，避免外界因素对分析结果造成的额外干扰，并且可以节省计算量。

具体地说，在本实施方式中，在获取待检测面板的图像中，具体包括：采用在线相机抓取待检测面板的图像；其中，根据最佳分辨率和最佳灰阶层次设置相机的对焦、光圈、曝光时间以及背光源的强度。这样，可以得到最佳分辨率和灰阶层的图像，提高分析结果的精确度，避免外界因素对分析结果造成的额外干扰，并且可以节省计算量。

在获取待检测面板的图像之后，还包括：统计图像的灰度直方图，计算出图像的灰度的均值μ与方差σ；根据图像的灰度的均值μ与方差σ，导出灰度变换函数f＝(f-μ)*σ_d/σ+μ_d，其中，μ_d、σ_d分别是光学系统理想状态下统计的图像的均值与方差，f为灰度；根据灰度变换函数，调整预设比值；其中，预设比值就是预先设置的缺陷检测阈值。

在软件实现中，测量的是图像的变化梯度，均值μ的变化无关紧要，无需赔偿。为节省计算量，对输入图像不做灰度转换而是对缺陷检测的阈值做自适应调整。

本实施方式相对现有技术而言，主要区别及效果在于：可以取得最佳分辨率和最佳灰阶层次的图像，提高分析结果的精确度，避免外界因素对分析结果造成的额外干扰，并且可以节省计算量。

上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包含相同的逻辑关系，都在本专利的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该专利的保护范围内。

本发明第四实施方式涉及一种基于视觉识别的缺陷检测系统，如图15所示，包含：获取模块81、检测模块82、计算模块83与判断模块84。

获取模块81，用于获取待检测面板的图像。

检测模块82，用于对图像进行边缘检测，并提取目标轮廓；其中，目标轮廓为待进行缺陷检测的轮廓。

计算模块83，用于计算第一切向灰阶梯度；其中，第一切向灰阶梯度为目标轮廓上第一像素点的切向灰阶梯度；第一切向灰阶梯度等于第一像素点的灰度与第二像素点的灰度的差值；第二像素点与第一像素点相邻，位于第一像素点之前。

判断模块84，用于根据第一切向灰阶梯度，判断是否检测到缺陷；其中，若第一切向灰阶梯度满足预设的缺陷判定条件，则判定检测到缺陷。

不难发现，本实施方式为与第一实施方式相对应的系统实施例，本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第一实施方式中。

值得一提的是，本实施方式中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。

本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。

Claims (10)

1.一种基于视觉识别的缺陷检测方法，其特征在于，包括：

获取待检测面板的图像；

对所述图像进行边缘检测，并提取目标轮廓；其中，所述目标轮廓为待进行缺陷检测的轮廓；

计算第一切向灰阶梯度；其中，所述第一切向灰阶梯度为所述目标轮廓上第一像素点的切向灰阶梯度；所述第一切向灰阶梯度等于所述第一像素点的灰度与第二像素点的灰度的差值；所述第二像素点与所述第一像素点相邻，在目标轮廓上位于所述第一像素点之前；

根据所述第一切向灰阶梯度，判断是否检测到缺陷；其中，若所述第一切向灰阶梯度满足预设的缺陷判定条件，则判定检测到缺陷。

2.根据权利要求1所述的基于视觉识别的缺陷检测方法，其特征在于，在根据所述第一切向灰阶梯度，判断是否检测到缺陷中，具体包括：

沿所述目标轮廓的切向计算第一平均值与第一方差；其中，所述第一平均值为预设长度的第一窗口内梯度幅度的平均值，所述第一方差为所述第一窗口内梯度幅度的方差，所述第一像素点为所述第一窗口的最后一个像素点；

计算第一偏差；其中，所述第一偏差为所述第一切向灰阶梯度与所述第一平均值的偏差；

计算第一比值；所述第一比值为所述第一偏差与所述第一方差的比值；

若所述第一比值大于预设比值，则判定所述第一像素点为奇异点；

若相邻的奇异点的数目大于预设数目，则判定所述相邻的奇异点覆盖的区域存在缺陷；其中，所述预设数目根据可接受缺陷的尺寸设置。

3.根据权利要求2所述的基于视觉识别的缺陷检测方法，其特征在于，在计算第一切向灰阶梯度之后，还包括：

计算第二切向灰阶梯度；其中，所述第二切向灰阶梯度为所述目标轮廓上第三像素点的切向灰阶梯度；所述第二切向灰阶梯度等于所述第三像素点的灰度与第一像素点的灰度的差值；所述第三像素点与所述第一像素点相邻，位于所述第一像素点之后；

根据所述第二切向灰阶梯度，判断是否检测到缺陷。

4.根据权利要求3所述的基于视觉识别的缺陷检测方法，其特征在于，根据所述第二切向灰阶梯度，判断是否检测到缺陷中，具体包括：

沿所述目标轮廓的切向计算第二平均值与第二方差；其中，所述第二平均值为预设长度的第二窗口内梯度幅度的平均值，所述第二方差为所述第二窗口内梯度幅度的方差，所述第三像素点为所述第二窗口的最后一个像素点；

计算第二偏差；其中，所述第二偏差为所述第二切向灰阶梯度与所述第二平均值的偏差；

计算第二比值；所述第二比值为所述第二偏差与所述第二方差的比值；

若所述第二比值大于所述预设比值，则判定所述第三像素点为奇异点；

若相邻的奇异点的数目大于所述预设数目，则判定所述相邻的奇异点覆盖的区域存在缺陷。

5.根据权利要求1所述的基于视觉识别的缺陷检测方法，其特征在于，在根据所述第一切向灰阶梯度，判断是否检测到缺陷之后，还包括：

若判定检测到缺陷，则输出报错信息、控制丝印机停机或将所述检测到的缺陷保存在缺陷记忆模块中。

6.根据权利要求1所述的基于视觉识别的缺陷检测方法，其特征在于，在根据所述第一切向灰阶梯度，判断是否检测到缺陷之后，还包括：

若连续检测到相同特征的缺陷，且所述相同特征的缺陷的重复次数大于预设次数，则判定检测到批量性缺陷，并输出警示信息。

7.根据权利要求1所述的基于视觉识别的缺陷检测方法，其特征在于，在所述获取待检测面板的图像中，具体包括：

采用在线相机抓取所述待检测面板的图像；其中，根据最佳分辨率和最佳灰阶层次设置所述相机的对焦、光圈、曝光时间以及背光源的强度。

8.根据权利要求2、3或4中任一项所述的基于视觉识别的缺陷检测方法，其特征在于，在所述获取待检测面板的图像之后，还包括：

根据所述图像的灰度方差，调整所述预设比值。

9.根据权利要求8所述的基于视觉识别的缺陷检测方法，其特征在于，在根据所述图像的灰度方差，调整所述预设比值中，具体包括：

统计所述图像的灰度直方图，计算出所述图像的灰度的均值μ与方差σ；

根据所述图像的灰度的均值μ与方差σ，导出灰度变换函数f＝(f-μ)*σ_d/σ+μ_d，其中，μ_d、σ_d分别是光学系统理想状态下统计的图像的均值与方差，f为灰度；

根据所述灰度变换函数，调整所述预设比值。

10.一种基于视觉识别的缺陷检测系统，其特征在于，包括：获取模块、检测模块、计算模块与判断模块；

所述获取模块，用于获取待检测面板的图像；

所述检测模块，用于对所述图像进行边缘检测，并提取目标轮廓；其中，所述目标轮廓为待进行缺陷检测的轮廓；

所述计算模块，用于计算第一切向灰阶梯度；其中，所述第一切向灰阶梯度为所述目标轮廓上第一像素点的切向灰阶梯度；所述第一切向灰阶梯度等于所述第一像素点的灰度与第二像素点的灰度的差值；所述第二像素点与所述第一像素点相邻，在目标轮廓上位于所述第一像素点之前；

所述判断模块，用于根据所述第一切向灰阶梯度，判断是否检测到缺陷；其中，若所述第一切向灰阶梯度满足预设的缺陷判定条件，则判定检测到缺陷。