CN106770372B - 基于显微视觉的白玻表面缺陷检测方法 - Google Patents

Abstract

本发明属于缺陷检测领域，具体提供一种基于显微视觉的白玻表面缺陷检测方法。本发明旨在解决白玻外观品质检测需要人为参与并因此对人眼睛造成伤害以及增加了工人劳动强度的问题。本发明的方法包括以下步骤：对白玻表面的图像进行预处理；根据预处理的结果确定白玻表面上的候选缺陷；获取所述候选缺陷的缺陷特征；根据所述缺陷特征剔除缺陷干扰项；根据所述缺陷特征对剩余缺陷进行融合；计算融合后的缺陷尺寸。本发明的方法能够准确地检测出白玻表面的缺陷，满足手机白玻表面缺陷检测的需要，进而避免了人员参与。

Description

基于显微视觉的白玻表面缺陷检测方法

技术领域

本发明属于缺陷检测领域，具体提供一种基于显微视觉的白玻表面缺陷检测方法。

背景技术

随着科技的进步，智能手机的生产也愈来愈自动化。但是，有些工序还仍旧由人进行安装或者检测，其中，虽然手机白玻流水线生产已经实现了半自动化，但是白玻外观品质检测还需要人为参与。

该项工作不仅需要人在强光下用肉眼对白玻进行检测，而且流程繁杂，熟练工人检测一片白玻需要10s到15s的时间，因此，这一工作对人眼危害很大，并且由于需要大量的人工，无形中增加了劳动成本和工人的劳动强度。

相应地，本领域需要一种白玻表面缺陷检测方法来解决上述问题。

发明内容

为了解决现有技术中的上述问题，即为了解决白玻外观品质检测需要人为参与并因此对人眼睛造成伤害以及增加了工人劳动强度的问题，本发明提供了一种基于显微视觉的白玻表面缺陷检测方法，该方法包括以下步骤：对白玻表面的图像进行预处理；根据预处理的结果确定白玻表面上的候选缺陷；获取所述候选缺陷的缺陷特征；根据所述缺陷特征剔除缺陷干扰项；根据所述缺陷特征对剩余缺陷进行融合；计算融合后的缺陷尺寸。

在上述方法的优选技术方案中，所述对白玻表面的图像进行预处理的步骤进一步包括：将白玻表面的图像切割成多个图像块。

在上述方法的优选技术方案中，所述对白玻表面的图像进行预处理的步骤还包括：对所述多个图像进行二值化处理；提取所述多个图像中的轮廓。

在上述方法的优选技术方案中，所述根据预处理的结果确定白玻表面上的候选缺陷的步骤进一步包括：将提取出的轮廓作为白玻表面上的候选缺陷。

在上述方法的优选技术方案中，所述获取所述候选缺陷的缺陷特征的步骤进一步包括获取下列各项中的至少一项：所述候选缺陷的最小外接矩形的特征、所述候选缺陷的直线度、所述候选缺陷的平滑度以及所述候选缺陷的亮像素浓度特征。

在上述方法的优选技术方案中，所述亮像素浓度特征通过下列公式计算：

其中，n是所述候选缺陷中包含的灰度值大于250以上的像素点个数，N是所述候选缺陷的总像素个数。

在上述方法的优选技术方案中，所述最小外接矩形的特征包括所述最小外接矩形的长度、宽度以及长宽比。

在上述方法的优选技术方案中，所述根据所述缺陷特征剔除缺陷干扰项的步骤进一步包括：根据所述候选缺陷的最小外接矩形的特征、所述候选缺陷的直线度、所述候选缺陷的平滑度以及所述候选缺陷的亮像素浓度特征中的至少一项来剔除灰尘和纤维。

在上述方法的优选技术方案中，所述根据所述缺陷特征对剩余缺陷进行融合的步骤进一步包括：采用区域生长的方法对剩余缺陷进行分类融合。

在另一方面，本发明提供了一种基于显微视觉的白玻表面缺陷检测方法，该方法包括以下步骤：对白玻表面的图像进行预处理；在预处理的基础上对白玻进行宽度测量；根据宽度测量结果对白玻上的崩边进行定位。

在上述方法的优选技术方案中，所述对白玻表面的图像进行预处理的步骤进一步包括：将白玻表面的图像切割成多个图像块。

在上述方法的优选技术方案中，所述在预处理的基础上对白玻进行宽度测量的步骤进一步包括：采用定步长线扫描的方法对白玻边缘的一行或一列图像块的宽度进行测量。

在上述方法的优选技术方案中，所述根据宽度测量结果对白玻上的崩边进行定位的步骤进一步包括：根据宽度测量结果，获取宽度集合中的异常宽度；根据获得的异常宽度来确定崩边的位置和尺寸。

本领域技术人员能够理解的是，在本发明的优选技术方案中，通过将采集到的白玻表面的图像切割成多个尺寸相同的图像块，然后同时采集每个图像块的信息，进而获得每个图像块内的缺陷。计算出每个缺陷的亮像素浓度，并对每个缺陷做最小外接矩形，根据每个缺陷的最小外接矩形可获得每个缺陷的直线度、平滑度等，然后根据上述缺陷的缺陷特征剔除缺陷干扰项，排除白玻上灰尘和纤维的干扰。最后采用区域生长的方法对剩余缺陷进行分类融合，并对融合后的缺陷尺寸进行计算。进一步，采用定步长线扫描的方法对白玻的边缘和宽度进行测量，然后根据测量结果中异常宽度对崩边进行定位与测量。通过本发明的上述方法能够有效地检测出白玻表面的缺陷，可以完全替代现有的人工检测，节省劳动力和成本。

附图说明

图1是本发明的基于显微视觉的白玻表面缺陷检测方法的划伤检测算法流程图；

图2是本发明的基于显微视觉的白玻表面缺陷检测方法的崩边检测算法流程图；

图3是白玻表面缺陷的最小外接矩形的示意图。

具体实施方式

下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。例如，虽然说明书是以手机玻璃作为实施对象的，但是很明显，本发明的白玻表面缺陷检测方法还可以应用到其他透明材质缺陷的检测，本领域技术人员可以根据需要对其作出调整，以便适应具体的应用场合。

如图1所示，本发明的白玻表面缺陷检测方法主要包括：步骤S100，对白玻表面的图像进行预处理；步骤S200，根据预处理的结果确定白玻表面上的候选缺陷；步骤S300，获取所述候选缺陷的缺陷特征；步骤S400，根据所述缺陷特征剔除缺陷干扰项；步骤S500，根据所述缺陷特征对剩余缺陷进行融合；步骤S600，计算融合后的缺陷尺寸。如图2所示，本发明的白玻表面缺陷检测方法还包括：步骤S700，对白玻表面的图像进行预处理；步骤S800，在预处理的基础上对白玻进行宽度测量；步骤S900，根据宽度测量结果对白玻上的崩边进行定位。其中，步骤S100至步骤S600主要用于检测、计算白玻表面上的缺陷，例如，划痕、蹭伤等；步骤S700至步骤S900主要用于检测白玻边缘处的崩边缺陷。

具体地，在步骤S100中，首先，将采集到的白玻表面的图像切割成M个2048像素×2048像素尺寸相同的图像块，M为正整数。本领域技术人员能够理解的是，在具体实施时，白玻边缘有可能会存在一列和/或一行2048像素×i像素的图像块，0＜i＜2048。在不影响缺陷处理效果的前期下，本领域技术人员也可以根据需要将白玻表面的图像切割成其他大小的图像块。其次，将所有分割好的图像块进行二值化处理，以便将各图像块上的像素点的灰度值设置在0～255之间，即使整个图像呈现出明显的黑白效果。因为二值化处理是本领域技术人员所熟知且能够实现的图像处理方法，所以在此不作详细说明。然后，获取每个图像块上的轮廓，该轮廓为每个图像块上灰度值异常的集合。

本领域技术人员能够理解的是，优选地对所有图像块上的轮廓同时进行查找，以便提高轮廓的查找速率；或者本领域技术人员也可以根据需要对所有图像块依次进行查找，例如，在白玻表面积较小时对所有图像块依次进行处理。

具体地，在步骤S200中，将步骤S100中得到的轮廓直接作为候选缺陷，或者作进一步处理之后作为候选缺陷，进一步将所有候选缺陷进行标记并存储，以便进行后续的操作。

具体地，在步骤S300中，确定每个图像块内存在的所有缺陷的缺陷特征。该缺陷特征包括但不限于：缺陷的最小外接矩形的特征、缺陷的直线度、缺陷的平滑度和缺陷的亮像素浓度等。

如图3所示，缺陷的最小外接矩形的特征主要包括：最小外接矩形的长度length、宽度width、长宽比ratio＝length/width、最小外接矩形的中心轴与白玻表面上的X轴方向的夹角α(0°～360°)，进而通过上述特征能够确定缺陷的最小外接矩形的特征向量。本领域技术人员能够理解的是，白玻表面上的X轴是人为设定的，优选地，X轴平行于白玻表面的长度方向或宽度方向。

继续参阅图3，缺陷的直线度指的是缺陷在长度方向上的弯曲状态，其主要根据缺陷的一侧边线与邻近该侧边线的最小外接矩形边线的欧氏距离d来获得，具体地，沿最小外接矩形的该边线每隔一个相同的距离测量一次欧氏距离d，然后将获得的d₁、d₂、d₃……d_j(j为正整数)进行汇总，并通过方差公式或均方差公式对d₁、d₂、d₃……d_j进行整理，整理结果即为缺陷的直线度。或者本领域技术人员也可以通过其他公式对d₁、d₂、d₃……d_j的离散程度进行计算，该离散程度即为缺陷的直线度。需要说明的是，缺陷的直线度越大则缺陷最小外接矩形的宽度值的离散程度越低，反之，缺陷的直线度越小则缺陷最小外接矩形的宽度值的离散程度越高。

进一步参阅图3，缺陷的平滑度指的是缺陷的所有宽度dist₁、dist₂、dist₃……dist_i(i为正整数)的差异性，即宽度值dist₁、dist₂、dist₃……dist_i的离散性。缺陷的平滑度具体地可通过方差公式或均方差公式进行计算。或者本领域技术人员也可以通过其他公式对d₁、d₂、d₃……d_j的离散程度进行计算。缺陷的宽度dist_i具体地可通过下述方法进行获得：首先，在最小外接矩形的一边线上做垂直线，该垂直线会与缺陷两侧边线产生两个交点；然后，分别计算两个交点与最小外接矩形的该边线的欧氏距离，并将两个数值求差，其结果的绝对值即为缺陷在该处的宽度dist_i。需要说明的是，缺陷的平滑度越大则缺陷最小外接矩形的宽度值的离散程度越低，反之缺陷的平滑度越小则缺陷最小外接矩形的宽度值的离散程度越高。

缺陷的亮像素浓度可通过公式进行获得，其中，n是缺陷中包含的灰度值大于250以上的像素点个数，N是缺陷的总像素个数。

具体地，在步骤S400中，通过缺陷的最小外接矩形的特征、缺陷的直线度、缺陷的平滑度以及亮像素浓度来剔除缺陷干扰项。

更具体地，对于灰尘，因为灰尘通常以近似于球形的颗粒出现，所以若缺陷的最小外接矩形的长宽比ratio小于设定的阈值，且缺陷的最小外接矩形的长度length和宽度width也都小于设定的阈值，则该缺陷为灰尘。对于纤维，因为纤维有高卷曲、低卷曲、异卷曲、无卷曲之分，划痕和蹭伤一般不存在卷曲现象，所以若缺陷的直线度小于设定的阈值，且缺陷的平滑度大于设定的阈值，则该缺陷为卷曲纤维；进一步，因为无卷曲纤维在自由状态下整体上通常会呈一定的弧度，所以通过缺陷的直线度和平滑度也能够进行判断，判断方法与前述弯曲纤维的判断方法相同。最后，将识别出的灰尘和纤维进行标记并存储，不再参与下述步骤的操作。进一步，还可以通过亮像素浓度density来辅助识别纤维，具体地，当亮像素浓度density大于设定的阈值时，则该缺陷为纤维。本领域技术人员能够理解的是，本段所述的阈值本领域技术人员可通过实验等方式来获得。

接下来，在步骤S500中，采用区域生长的方法对目标缺陷(划痕和蹭伤)进行融合。具体地，以划痕为例。

第一步，任选一条划痕的最小外接矩形作为种子轮廓进行生长。为了方便描述，下文中将缺陷的最小外接矩形表述为轮廓。

第二步，将种子轮廓的特征向量(由length、width、ratio和α获得)与整个白玻表面上其他所有轮廓的特征向量(由length、width、ratio获得)分别进行比较，获得第一相似度，并按第一相似度的大小进行降序排序；计算种子轮廓的特征向量和其他所有轮廓的特征向量间的欧式距离，获得第二相似度，并按第二相似度的大小进行降序排序。本领域技术人员能够理解的是，其他所有轮廓的特征向量按第一相似度和第二相似度进行排序的方式除了以升序的方式进行排序外，还可以是以降序的方式进行排序。

第三步，筛选出所有大于设定的第一相似度的第一阈值和大于设定的第二相似度的第二阈值的所有轮廓，选择与种子轮廓相似度最高的轮廓与种子轮廓进行融合。其中，第一阈值和第二阈值可通过实验获得。进一步，本领域技术人员也可以根据需要先确定除种子轮廓之外的轮廓是否同时大于第一阈值和第二阈值，再对满足融合要求的轮廓进行排序。

第四步，将融合后的轮廓作为新的种子轮廓，重复步骤二和步骤三，直至不再有轮廓能够同时大于第一阈值和第二阈值为止。至此，与第一步中所选种子轮廓同属一条划痕的轮廓全部融合完成。本领域技术人员能够理解的是，还可以根据需要将第三步中获得的满足融合要求的所有轮廓同时进行融合，然后再重复第二步和第三步，直至不再有轮廓能够同时大于第一阈值和第二阈值为止。至此，与第一步中所选种子轮廓同属一条划痕的轮廓全部融合完成。

第五步，对尚未融合的轮廓重复第一步至第四步的操作，直至所有轮廓全部被相互融合或不再有轮廓能够满足融合条件为止。

本领域技术人员能够理解的是，为了提高缺陷融合的准确率，还可根据种子轮廓与被融合轮廓之间的宽度差、宽度比值、夹角、距离、较短轮廓的长度、较短轮廓与两条轮廓之间距离的比值决定两条轮廓是否融合。

本领域技术人员还能够理解的是，划痕和蹭伤只是物理损伤的方式和程度不同，当两者之间的相似度大于设定的阈值时是可以相互融合的。

最后，步骤S600中，对融合后的缺陷进行尺寸计算，具体地，计算融合后的最小外接矩形(轮廓)的尺寸，计算结果即为融合后缺陷尺寸的大约值，进而根据计算结果判断该白玻是否合格。步骤S100至步骤S600至此完成了对白玻表面缺陷的检测。

对白玻崩边的检测检具体如下：在步骤S700中，首先对图像进行预处理，本领域技术人员可以如步骤S100中所述的将采集到的白玻表面的图像切割成M个2048像素×2048像素尺寸相同的图像块，也可以直接将整个白玻表面的图像作为一个图像块。

在步骤S800中，根据采集到的白玻表面的图像粗略定位白玻表面的区域，并通过定步长线扫描的方法对白玻的边缘和宽度进行精确定位与计算。需要说明的是，定步长线扫描的方法指的是在某一方向每隔相同的距离就对目标物体扫描一次，因为该方法是本领域技术人员常用的方法之一，故在此不做更进一步地说明。

具体地，若是将采集到的白玻表面的图像切割成M个2048像素×2048像素尺寸相同的图像块，则通过位于白玻表面边缘的两行和两列图像块分别对与其临近的边缘进行精确定位。更具体地，可采用定步长线扫描的方法测量位于白玻表面边缘的一行或一列图像块的宽度，通过该宽度的变化可对该处的白玻表面边缘的崩边进行精确定位。

若是将整个白玻表面的图像作为一个图像块，则将白玻表面上两条彼此对应的边线互相作为基准，对白玻表面边缘进行精确定位，进而计算出白玻的长度和宽度。

本领域技术人员能够理解的是，相对于第二种测量方法，第一种测量方法的测量值之间的差异性更明显，因此能够更精确地检测出的白玻崩边。

在步骤S900中，根据对白玻的边缘图像块的宽度测量结果，能够获得边缘宽度集合中的异常宽度，该异常宽度即为崩边缺陷。然后，定位并求取所有异常宽度的集合，进而获得崩边的尺寸，将该尺寸与设定的阈值(根据对白玻的品质要求获得)进行比较，判定该白玻是否合格。

由步骤S100至步骤S900可知，本发明的基于显微视觉的白玻表面缺陷检测方法能够有效地检测出白玻表面的缺陷，可以完全替代现有的人工检测。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (8)

1.一种基于显微视觉的白玻表面缺陷检测方法，其特征在于，所述方法包括以下步骤：

对白玻表面的图像进行预处理；

根据预处理的结果确定白玻表面上的候选缺陷；

获取所述候选缺陷的缺陷特征；

根据所述缺陷特征剔除缺陷干扰项；

根据所述缺陷特征对剩余缺陷进行融合；

计算融合后的缺陷尺寸；

其中，“获取所述候选缺陷的缺陷特征”的步骤进一步包括获取下列各项中的至少一项：

所述候选缺陷的最小外接矩形的特征、所述候选缺陷的直线度、所述候选缺陷的平滑度以及所述候选缺陷的亮像素浓度特征。

2.根据权利要求1所述的基于显微视觉的白玻表面缺陷检测方法，其特征在于，所述对白玻表面的图像进行预处理的步骤进一步包括：

将白玻表面的图像切割成多个图像块。

3.根据权利要求2所述的基于显微视觉的白玻表面缺陷检测方法，其特征在于，所述对白玻表面的图像进行预处理的步骤还包括：

对所述多个图像进行二值化处理；

提取所述多个图像中的轮廓。

4.根据权利要求3所述的基于显微视觉的白玻表面缺陷检测方法，其特征在于，所述根据预处理的结果确定白玻表面上的候选缺陷的步骤进一步包括：

将提取出的轮廓作为白玻表面上的候选缺陷。

5.根据权利要求1所述的基于显微视觉的白玻表面缺陷检测方法，其特征在于，所述亮像素浓度特征通过下列公式计算：

其中，n是所述候选缺陷中包含的灰度值大于250以上的像素点个数，N是所述候选缺陷的总像素个数。

6.根据权利要求1所述的基于显微视觉的白玻表面缺陷检测方法，其特征在于，所述最小外接矩形的特征包括所述最小外接矩形的长度、宽度以及长宽比。

7.根据权利要求1至6中任一项所述的基于显微视觉的白玻表面缺陷检测方法，其特征在于，所述根据所述缺陷特征剔除缺陷干扰项的步骤进一步包括：

根据所述候选缺陷的最小外接矩形的特征、所述候选缺陷的直线度、所述候选缺陷的平滑度以及所述候选缺陷的亮像素浓度特征中的至少一项来剔除灰尘和纤维。

8.根据权利要求1所述的基于显微视觉的白玻表面缺陷检测方法，其特征在于，所述根据所述缺陷特征对剩余缺陷进行融合的步骤进一步包括：

采用区域生长的方法对剩余缺陷进行分类融合。