CN106855520B - 一种基于机器视觉的工件缺陷检测方法 - Google Patents

一种基于机器视觉的工件缺陷检测方法 Download PDF

Info

Publication number
CN106855520B
CN106855520B CN201710074962.5A CN201710074962A CN106855520B CN 106855520 B CN106855520 B CN 106855520B CN 201710074962 A CN201710074962 A CN 201710074962A CN 106855520 B CN106855520 B CN 106855520B
Authority
CN
China
Prior art keywords
picture
lmc
workpiece
detected
matching
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.)
Expired - Fee Related
Application number
CN201710074962.5A
Other languages
English (en)
Other versions
CN106855520A (zh
Inventor
徐贵力
曾瑞篷
姜斌
程月华
王正盛
田祥瑞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201710074962.5A priority Critical patent/CN106855520B/zh
Publication of CN106855520A publication Critical patent/CN106855520A/zh
Application granted granted Critical
Publication of CN106855520B publication Critical patent/CN106855520B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01N21/8851—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
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8858—Flaw counting
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8867—Grading and classifying of flaws using sequentially two or more inspection runs, e.g. coarse and fine, or detecting then analysing
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/888—Marking defects

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于机器视觉的工件缺陷检测方法，包括以下部分：读取拍摄的模板工件图片与待测工件图片；将待测工件图片与模板工件图片整体进行粗匹配，获得与模板图片重合度最高的待测图片；将校正处理后的待测工件图片与原来的模板工件图片进行相同区域分割，对分割后的每块子区域进行精匹配；对校正处理后的每块待测工件子区域图片与对应的模板工件子区域图片进行对比分析找出缺陷，获得每块子区域最终的缺陷检测结果；将每块子区域的缺陷检测结果在模板图上进行标记，输出完成缺陷标记的模板图。本发明能满足多种类型待测工件与模板工件图像的高精度匹配，在缺陷检测上有较高的准确率。

Description

一种基于机器视觉的工件缺陷检测方法
技术领域
本发明涉及一种机器视觉的智能检测方法，具体涉及一种基于机器视觉的汽车保险丝盒工件缺陷检测方法。
背景技术
产品检测是工业生产中不可缺少的一环，对产品质量的提高起着重要作用。通常情况下，工业制造的工件存在一定的次品率，传统方法是对工件进行人工检测，这样一方面造成了工件出货效率低下，同时准确率也难以保证，另一方面增加了工件整体的加工成本，影响生产效益。现代工业注重在线、实时、快速、非接触的检测方式，确保产品质量的前提下，提高产品的生产效率。
汽车保险盒质量对于汽车电路安全起到至关重要的作用。目前通过人工检测汽车保险盒缺陷的方法具有效率低、成本高等缺点，急需汽车保险盒缺陷自动检测系统，以达到能快速、准确地筛选出不合格产品，提高生产效率，降低安全隐患。同时，由于汽车保险丝盒内部结构复杂，工件的主要缺陷类型是多胶、少胶，缺陷小且不起眼，大大增加人工检测的难度，平均每个工件的检测时间在5分钟，导致工件每天实际的产出量并不高。
为了解决传统工件检测方法带来的弊端，本发明提出了一套基于机器视觉的汽车保险盒工件缺陷检测方法。
发明内容
本发明的目标在于开发一种能够检测保险盒待测工件与模板工件之间的差异，并将存在差异的缺陷标记出来的方法。
为了解决上述技术问题，本发明采用如下技术方案：
一种基于机器视觉的工件缺陷检测方法，包括以下步骤：
(a)读取拍摄的模板工件图片与待测工件图片；
(b)将待测工件图片与模板工件图片进行粗匹配，匹配时对待测图片进行旋转和平移校正，使其与模板图片重合度最高；
(c)将校正处理后的待测工件图片与原来的模板工件图片进行相同区域分割，对分割后的每块子区域进行精匹配，匹配时对待测子区域图片进行平移校正，使其与对应模板子区域图片重合度最高；
(d)对校正处理后的待测的子区域图片与对应的模板子区域图片进行对比分析找出缺陷，获得每块子区域的缺陷检测结果；
(e)将每块子区域的缺陷检测结果在模板工件图片上进行标记，并提示最后总的缺陷数量。
作为优选，所述步骤(b)粗匹配时具体为在模板工件图片和待测工件图片中选择方位相同的一对对角区域，两个对角区域分别选出一对理想匹配点，用于待测图片平移与旋转校正，使其与模板图片重合度最高。
作为优选，所述步骤(c)具体为对校正后的待测图片以及模板图片进行相同的区域分割，得到多个子区域，在分割后的一个子区域中找出一对理想匹配点，对待测的子区域图片进行平移校正，使其与对应模板子区域图片重合度最高。接着对待测的子区域分别进行上下左右四个方向上的单位像素微调，对比微调前的重合度获得重合度最高的待测的子区域图片，其他子区域执行相同操作。
作为优选，所述步骤(b)中的粗匹配具体包括以下步骤：
(b1)从待测工件图片中的两对对角区域中选出特征点数总和较多的一对对角区域，进行理想匹配点对获取；
(b2)找出其中欧氏距离最小的前n对匹配点，计算每对匹配点x轴方向上的绝对差值Xc，以及y轴方向上的绝对差值Yc，找出Xc与Yc的最大值，记录为Lc；找出所有Lc中的最小值Lmc，以Lmc为准，将Lmc分为0～Lmc，Lmc～Lmc+10，Lmc+10～Lmc+20,Lmc+20～Lmc+30.....Lmc+10×(T-2)～Lmc+10×(T-1)这样T个等级(T>＝1)。将每对匹配点的Xc、Yc与Lmc进行比较，当且仅当Xc与Yc均小于Lmc的第m个等级，同时Xc或Yc大于Lmc的第m-1个等级，将其定级为m。将对角区域n对匹配点中等级大于T的匹配点对滤除。另一个对角区域执行相同操作。
(b3)两个对角区域各自留下来一定数量的匹配点对，两个对角区域各取一对匹配点构成一个组合，其中欧氏距离较小的一对匹配点用于待测工件图片平移校正，较大的用于旋转校正，遍历所有组合，选择与模板图片重合度最高的校正后的待测图片。
作为优选，所述步骤(c)中的精匹配具体包括以下步骤：
(c1)对校正后的待测图片以及原来的模板图片进行相同的区域分割，得到多个子区域；
(c2)以一个子区域为例，找出其中汉明距离最小的前n’对匹配点，获得其中汉明距离最小值，记为S。以S值遍历区域中所有汉明距离值Sa，找出与S值相等的所有匹配点对，计算每对匹配点x轴方向上的绝对差值Xc’，以及y轴方向上的绝对差值Yc’，找出Xc’与Yc’的最大值，记录为Lc’；找出所有Lc’中的最小值Lmc’，以Lmc’为准，将Lmc’分为0～Lmc’，Lmc’～Lmc’+10，Lmc’+10～Lmc’+20,Lmc’+20～Lmc’+30.....Lmc’+10×(T’-2)～Lmc’+10×(T’-1)这样T’个等级(T’>＝1)。
在n’对匹配点中，计算每对匹配点的Xc’、Yc’，并与Lmc’进行比较，当且仅当Xc’与Yc’均小于Lmc’的第m’个等级，同时Xc’或Yc’大于Lmc’的第m’-1个等级，将其定级为m’，滤除匹配点对中等级大于T’的。
(c3)剩余的匹配点对中，每个匹配点对对应一种平移校正后的待测工件子区域图片，从中获得与模板子区域图片重合度最高的，记为Rs；
(c4)对Rs分别进行上、下、左、右四个方向单位像素平移的操作，每个方向与平移前的进行重合度比较，获得重合度最高的待测子区域图片，每个子区域皆按步骤(c2)-(c4)执行。
作为优选，步骤(b1)中在两对对角区域选择一对对角区域时通过以下方法进行选择：
(1)对角区域的特征点数总和SUM
(2)对角区域特征点数的比值RATE
SUM＝S1+S2
Figure BDA0001223652670000051
其中S1、S2分别表示两个对角区域的特征点总数，选取SUM较大的一对对角区域，特征点数比值记为RATE1，另一对对角区域记为RATE2。如果RATE1<RATE2,则选择该对对角区域；否则扩展一次该对对角区域，并选择扩展后的对角区域。
作为优选，步骤(c1)中的进行区域分割时，使用附加区域的区域分割方式，具体方法为：
先用若干条分割线将模板工件图片和待测工件图片均分成多个小区域，在每条分割线的两侧分别画出两条与该分割线平行的辅助分割线，将每个小区域中以分割线为边的边界向外扩展至临近的辅助分割线，从而得到子区域，从分割线扩展至辅助分割线的区域记为重叠区域。
作为优选，步骤(c4)中的单位像素微调操作具体为：首先统计微调前的待测子区域Rs的匹配重合度记为s0，接着对其分别进行上、下、左、右四个方向微调并统计微调后的匹配重合度s1,s2,s3,s4。如果s0最小，则输出；否则，将s1,s2,s3,s4中最小的一个作为新的s0，重新进行四个方向的微调统计，如此迭代。
作为优选，在步骤(c4)中设置一个最多迭代次数u保证迭代正常终止。
本发明的有益效果是：
本发明首先对待测工件图片与模板工件图片进行粗匹配，再对经过粗匹配校正的待测工件图片与原来的模板工件图片进行相同的区域分割，对分割后的每个子区域进行精匹配，在精匹配的基础上对每块子区域分别进行缺陷检测，并将最后缺陷检测结果整合到模板工件图片上并标记，提高了缺陷检测精度，保证缺陷检测的准确性。本发明能满足多种类型待测工件与模板工件图像的高精度匹配，在缺陷检测上具有高准确率。
附图说明
图1是本发明的流程示意图；
图2是工件图像；
图3是工件缺陷图像；
图4是区域分割示意图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步描述：
本发明使用的机器视觉检测系统包括工业相机、工业镜头以及光源，并将将获取的图片放在计算机中进行缺陷检测。本实施例中使用GS3-U3-120S6M-C的面阵相机，DTCM110-240工业远心镜头以及与镜头相配套的光源。镜头满足工件的高精度成像，相机满足实际精度要求的情况下，相机的成像靶面无法容纳整体工件，采用多工位的拍摄得到解决，光源选择与镜头配套的DC110-240。整体硬件组合满足工业检测精度要求。
本发明提供的工件缺陷检测方法的流程如图1所示，具体包括以下步骤：
(1)读取拍摄的模板工件图片与待测工件图片；
(2)图片中的两对对角区域(左上、右下与右下、左上)中存在一对合适对角区域，选出一对合适对角区域，进行理想匹配点对获取。对角区域通过以下方法进行选择：
1)对角区域的特征点数总和SUM
2)对角区域特征点数的比值RATE
SUM＝S1+S2
Figure BDA0001223652670000071
其中S1、S2分别表示两个对角区域的特征点总数，选取SUM较大的一对对角区域，特征点数比值记为RATE1，另一对对角区域记为RATE2。如果RATE1<RATE2,则选择该对对角区域；否则扩展一次该对对角区域，并选择扩展后的。
(3)以一个对角区域为例，找出其中欧氏距离最小的前n对匹配点，计算每对匹配点x轴方向上的绝对差值Xc，以及y轴方向上的绝对差值Yc，找出Xc与Yc的最大值，记录为Lc；找出所有Lc中的最小值Lmc，以Lmc为准，将Lmc分为0～Lmc，Lmc～Lmc+10，Lmc+10～Lmc+20,Lmc+20～Lmc+30.....Lmc+10×(T-2)～Lmc+10×(T-1)这样T个等级(T>＝1)。将每对匹配点的Xc、Yc与Lmc进行比较，当且仅当Xc与Yc均小于Lmc的第m个等级，同时Xc或Yc大于Lmc的第m-1个等级，将其定级为m。将对角区域n对匹配点中等级大于T的匹配点对滤除。另一个对角区域执行相同操作；
(4)两个对角区域各自留下来一定数量的匹配点对，两个对角区域各取一对匹配点构成一个组合，其中欧氏距离较小的一对匹配点用于待测工件图片平移校正，较大的用于旋转校正，遍历所有组合，选择与模板图片重合度最高的校正后的待测图片；
(5)对校正后的待测图片以及原来的模板图片进行相同的区域分割。具体操作如下：先用若干条分割线将模板工件图片和待测工件图片分割成多个小区域，在每条分割线的两侧分别画出两条与该分割线平行的辅助分割线，将每个小区域中以分割线为边的边界向外扩展至临近的辅助分割线，从而得到子区域，从分割线扩展至辅助分割线的区域记为重叠区域；
下面举例说明，如图4所示，图中待测工件图片被分割成4个区域F1，F2，F3，F4，其中L1，L2是平均分割四个区域的分割线，但由于存在缺陷区域被分割的风险，需要将L1，L2用l1,l2,l3,l4四条辅助分割线取代，用于新增附加区域。以F1区域为例，其重叠的附加区域是f1和f2，其中f1是由L1，l2和l4组成的区域，f2是由L2，l4和l2组成的区域；而F2的重叠区域就是f1′与f2′，其中是f1′由L1，l2和l3组成的区域,f2′是由L2，l3和l2组成的区域。重叠区域的附加原则是除了边界区域以外，其余图像内部的分割都需要附加。
(6)以一个子区域为例，找出其中汉明距离最小的前n’对匹配点，获得其中汉明距离最小值，记为S。以S值遍历区域中所有汉明距离值Sa，找出与S值相等的所有匹配点对(一个汉明距离值对应一个匹配点对)，计算每对匹配点x轴方向上的绝对差值Xc’，以及y轴方向上的绝对差值Yc’，找出Xc’与Yc’的最大值，记录为Lc’；找出所有Lc’中的最小值Lmc’，以Lmc’为准，将Lmc’分为0～Lmc’，Lmc’～Lmc’+10，Lmc’+10～Lmc’+20,Lmc’+20～Lmc’+30.....Lmc’+10×(T’-2)～Lmc’+10×(T’-1)这样T’个等级(T’>＝1)。
在n’对匹配点中，计算每对匹配点的Xc’、Yc’，并与Lmc’进行比较，当且仅当Xc’与Yc’均小于Lmc’的第m’个等级，同时Xc’或Yc’大于Lmc’的第m’-1个等级，将其定级为m’，滤除匹配点对中等级大于T’的。
(7)剩余的匹配点对中，每个匹配点对对应一种平移校正后的待测工件子区域图片，从中获得与模板子区域图片重合度最高的，记为Rs；
(8)对Rs分别进行上、下、左、右四个方向单位像素平移的操作，每个方向与平移前的进行重合度比较，获得重合度最高的待测子区域图片。单位像素微调操作具体为：首先统计微调前的待测子区域Rs的匹配重合度记为s0，接着对其分别进行上、下、左、右四个方向微调并统计微调后的匹配重合度s1,s2,s3,s4。如果s0最小，则输出；否则，将s1,s2,s3,s4中最小的一个作为新的s0，重新进行四个方向的微调统计，如此迭代。为了避免迭代次数过多，设置一个最多迭代次数u保证迭代正常终止，每个子区域皆按步骤(6)-(8)执行；
(9)对精匹配后的每块子区域的待测工件图片与模板工件图片进行对比分析找出缺陷，获得每块子区域最终的缺陷检测结果；
(10)将每块子区域的缺陷检测结果在模板工件图片上进行标记，并提示最后总的缺陷数量。
与上述方法相对应的基于机器视觉的工件缺陷检测装置，包括：
图片获取单元，用于读取拍摄的模板工件图片与待测工件图片；
粗匹配单元，用于将待测工件图片与模板工件图片进行粗匹配，匹配时对待测图片进行旋转和平移校正，使其与模板图片重合度最高；
精匹配单元，将校正处理后的待测工件图片与原来的模板工件图片进行相同区域分割，对分割后的每块子区域进行精匹配，匹配时对待测子区域图片进行平移校正，使其与对应模板子区域图片重合度最高；
缺陷检测单元，用于对校正处理后的待测子区域图片与对应的模板子区域图片进行对比分析找出缺陷，获得每块子区域的缺陷检测结果；
整合单元，用于将每块子区域的缺陷检测结果在模板工件图片上进行标记，并提示最后总的缺陷数量。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (7)

1.一种基于机器视觉的工件缺陷检测方法，其特征在于，包括以下步骤：
（a）读取拍摄的模板工件图片与待测工件图片；
（b）将待测工件图片与模板工件图片进行粗匹配，匹配时对待测图片进行旋转和平移校正，使其与模板图片重合度最高；其中，粗匹配时具体为在模板工件图片和待测工件图片中选择方位相同的一对对角区域，两个对角区域分别选出一对理想匹配点，用于待测图片平移与旋转校正，使其与模板图片重合度最高；
（c）将校正处理后的待测工件图片与原来的模板工件图片进行相同区域分割，对分割后的每块子区域进行精匹配，匹配时对待测子区域图片进行平移校正，使其与对应模板子区域图片重合度最高；
（d）对校正处理后的待测的子区域图片与对应的模板子区域图片进行对比分析找出缺陷，获得每块子区域的缺陷检测结果；
（e）将每块子区域的缺陷检测结果在模板工件图片上进行标记，并提示最后总的缺陷数量；
其中，步骤（b）中的粗匹配具体包括以下步骤：
（b1）从待测工件图片中的两对对角区域中选出特征点数总和较多的一对对角区域，进行理想匹配点对获取；
（b2）找出其中欧氏距离最小的前n对匹配点，计算每对匹配点x轴方向上的绝对差值Xc，以及y轴方向上的绝对差值Yc，找出Xc与Yc的最大值，记录为Lc；找出所有Lc中的最小值Lmc，以Lmc为准，将Lmc分为0~Lmc，Lmc~ Lmc+10，Lmc+10~ Lmc+20, Lmc+20~ Lmc+30.....Lmc+10×（T-2）~ Lmc+10×（T-1）这样T个等级（T>=1）；将每对匹配点的Xc、Yc与Lmc进行比较，当且仅当Xc与Yc均小于Lmc的第m个等级，同时Xc或Yc大于Lmc的第m-1个等级，将其定级为m；将对角区域n对匹配点中等级大于T的匹配点对滤除；另一个对角区域执行相同操作；
（b3）两个对角区域各自留下来一定数量的匹配点对，两个对角区域各取一对匹配点构成一个组合，其中欧氏距离较小的一对匹配点用于待测工件图片平移校正，较大的用于旋转校正，遍历所有组合，选择与模板图片重合度最高的校正后的待测图片。
2.如权利要求1所述的基于机器视觉的工件缺陷检测方法，其特征在于，所述步骤（c）具体为对校正后的待测图片以及模板图片进行相同的区域分割，得到多个子区域，在分割后的一个子区域中找出一对理想匹配点，对待测的子区域图片进行平移校正，使其与对应模板子区域图片重合度最高；接着对待测的子区域分别进行上下左右四个方向上的单位像素微调，对比微调前的重合度获得重合度最高的待测的子区域图片，其他子区域执行相同操作。
3.如权利要求2所述的基于机器视觉的工件缺陷检测方法，其特征在于，所述步骤（c）中的精匹配具体包括以下步骤：
（c1）对校正后的待测图片以及原来的模板图片进行相同的区域分割，得到多个子区域；
（c2）以一个子区域为例，找出其中汉明距离最小的前n’对匹配点，获得其中汉明距离最小值，记为S；以S值遍历区域中所有汉明距离值Sa，找出与S值相等的所有匹配点对，计算每对匹配点x轴方向上的绝对差值Xc’，以及y轴方向上的绝对差值Yc’，找出Xc’与Yc’的最大值，记录为Lc’；找出所有Lc’中的最小值Lmc’，以Lmc’为准，将Lmc’分为0~Lmc’，Lmc’~Lmc’+10，Lmc’+10~Lmc’+20, Lmc’+20~Lmc’+30..... Lmc’+10×（T’-2）~Lmc’+10×（T’-1）这样T’个等级（T’>=1）；
在n’对匹配点中，将每对匹配点的Xc’、Yc’与Lmc’进行比较，当且仅当Xc’与Yc’均小于Lmc’的第m’个等级，同时Xc’或Yc’大于Lmc’的第m’-1个等级，将其定级为m’，滤除匹配点对中等级大于T’的；
（c3）剩余的匹配点对中，每个匹配点对对应一种平移校正后的待测工件子区域图片，从中获得与模板子区域图片重合度最高的，记为Rs；
（c4）对Rs分别进行上、下、左、右四个方向单位像素平移的操作，每个方向与平移前的进行重合度比较，获得重合度最高的待测子区域图片，每个子区域皆按步骤（c2）-（c4）执行。
4.如权利要求1所述的基于机器视觉的工件缺陷检测方法，其特征在于，步骤（b1）中在两对对角区域选择一对对角区域时通过以下方法进行选择：
（1）对角区域的特征点数总和SUM
（2）对角区域特征点数的比值RATE
Figure DEST_PATH_IMAGE001
其中S1、S2分别表示两个对角区域的特征点总数，选取SUM较大的一对对角区域，特征点数比值记为RATE1，另一对对角区域记为RATE2；如果RATE1<RATE2,则选择该对对角区域；否则扩展一次该对对角区域，并选择扩展后的对角区域。
5.如权利要求3所述的基于机器视觉的工件缺陷检测方法，其特征在于，步骤（c1）中的进行区域分割时，使用附加区域的区域分割方式，具体方法为：
先用若干条分割线将模板工件图片和待测工件图片均分成多个小区域，在每条分割线的两侧分别画出两条与该分割线平行的辅助分割线，将每个小区域中以分割线为边的边界向外扩展至临近的辅助分割线，从而得到子区域，从分割线扩展至辅助分割线的区域记为重叠区域。
6.如权利要求3所述的基于机器视觉的工件缺陷检测方法，其特征在于，步骤（c4）中的单位像素微调操作具体为：首先统计微调前的待测子区域Rs的匹配重合度记为s0，接着对其分别进行上、下、左、右四个方向微调并统计微调后的匹配重合度s1,s2,s3,s4；如果s0最小，则输出；否则，将s1,s2,s3,s4中最小的一个作为新的s0，重新进行四个方向的微调统计，如此迭代。
7.如权利要求6所述的基于机器视觉的工件缺陷检测方法，其特征在于，在步骤（c4）中设置一个最多迭代次数u保证迭代正常终止。
CN201710074962.5A 2017-02-10 2017-02-10 一种基于机器视觉的工件缺陷检测方法 Expired - Fee Related CN106855520B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710074962.5A CN106855520B (zh) 2017-02-10 2017-02-10 一种基于机器视觉的工件缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710074962.5A CN106855520B (zh) 2017-02-10 2017-02-10 一种基于机器视觉的工件缺陷检测方法

Publications (2)

Publication Number Publication Date
CN106855520A CN106855520A (zh) 2017-06-16
CN106855520B true CN106855520B (zh) 2020-05-29

Family

ID=59125476

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710074962.5A Expired - Fee Related CN106855520B (zh) 2017-02-10 2017-02-10 一种基于机器视觉的工件缺陷检测方法

Country Status (1)

Country Link
CN (1) CN106855520B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107578047B (zh) * 2017-08-18 2021-03-12 国网山东省电力公司淄博供电公司 电力电缆的偏心度检测方法
CN107543828B (zh) * 2017-08-25 2020-09-11 广东工业大学 一种工件表面缺陷检测方法及系统
CN107945177A (zh) * 2017-12-15 2018-04-20 日照职业技术学院 一种用于机器人视觉系统检测判断物料的方法
CN108122228A (zh) * 2017-12-21 2018-06-05 金翰阳科技（大连）股份有限公司 一种打磨腻子或漆面检测方法
CN108956616B (zh) * 2018-05-31 2021-02-02 南京航空航天大学 一种基于图像的工件缺陷检测方法
CN109490320A (zh) * 2018-11-23 2019-03-19 奇瑞汽车股份有限公司 一种基于机器视觉的动力电池组正负极异常检测系统和方法
CN109839385B (zh) * 2019-03-04 2021-11-16 佛山市南海区广工大数控装备协同创新研究院 一种自适应的pcb板缺陷视觉定位检测及分类系统
CN110308153A (zh) * 2019-08-03 2019-10-08 广西师范大学 基于单目立体视觉的金属工件缺陷检测方法、系统、存储介质、以及装置
CN110853091A (zh) * 2019-10-25 2020-02-28 北京航空航天大学 一种发动机保险丝绕向缺陷图像识别方法与系统
CN111127571B (zh) * 2019-12-03 2023-12-29 歌尔股份有限公司 一种小样本缺陷分类方法和装置
CN111353974B (zh) * 2020-02-20 2023-08-18 苏州凌云光工业智能技术有限公司 一种检测影像边界缺陷的方法及装置
CN112834518A (zh) * 2021-01-06 2021-05-25 优刻得科技股份有限公司 颗粒缺陷检测方法、系统、设备和介质
CN113610797B (zh) * 2021-08-02 2024-02-13 逸美德科技股份有限公司 卡槽检测方法、装置和存储介质

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3976740B2 (ja) * 2004-02-16 2007-09-19 テクノス株式会社 基板検査装置及び検査方法
CN1651905A (zh) * 2005-02-05 2005-08-10 石家庄钢铁股份有限公司 钢中非金属夹杂物定量分析方法
JP5364528B2 (ja) * 2009-10-05 2013-12-11 株式会社日立ハイテクノロジーズ パターンマッチング方法、パターンマッチングプログラム、電子計算機、電子デバイス検査装置
CN101799434B (zh) * 2010-03-15 2011-06-29 深圳市中钞科信金融科技有限公司 一种印刷图像缺陷检测方法
CN102269712A (zh) * 2010-06-04 2011-12-07 中芯国际集成电路制造(上海)有限公司 一种晶片缺陷检测方法
CN102073877B (zh) * 2011-02-25 2015-03-25 王晓年 机器视觉装箱检测方法及系统
CN103217438B (zh) * 2013-04-02 2015-02-18 天津大学 一种基于图像特征的电路板元件精确定位与检测的方法
CN105510348B (zh) * 2015-12-31 2019-03-08 南京协辰电子科技有限公司 一种印制电路板的缺陷检测方法、装置及检测设备
CN106204618A (zh) * 2016-07-20 2016-12-07 南京文采科技有限责任公司 基于机器视觉的产品包装表面缺陷检测与分类方法

Also Published As

Publication number Publication date
CN106855520A (zh) 2017-06-16

Similar Documents

Publication Publication Date Title
CN106855520B (zh) 一种基于机器视觉的工件缺陷检测方法
US9734568B2 (en) Automated inline inspection and metrology using shadow-gram images
CN113340909B (zh) 一种基于机器视觉的胶线缺陷检测方法
CN103366176B (zh) 光学元件缺陷批量自动识别装置和方法
CN110047063B (zh) 一种物料掉落的检测方法、装置、设备及存储介质
CN113554649B (zh) 一种缺陷检测方法、装置、计算机设备及存储介质
CN108088381B (zh) 一种基于图像处理的非接触式微小间隙宽度测量方法
CN112669272B (zh) 一种aoi快速检测方法及快速检测系统
CN112200790B (zh) 布料缺陷检测方法、设备和介质
CN112085708B (zh) 产品外轮廓中的直线边缘的缺陷检测方法及设备
CN110146513A (zh) 缺陷判定方法及缺陷判定装置
CN107507185B (zh) 一种适用于工业检测的快速检测圆的方法
CN114241061A (zh) 线结构光成像的标定方法、标定系统和标定靶及使用其的测量系统
CN113112396B (zh) 导电粒子的检测方法
CN113129260A (zh) 一种锂电池电芯内部缺陷的自动检测方法及装置
CN116907381A (zh) 一种半导体晶圆Bump三维形貌测量方法
CN110111317A (zh) 一种基于机器人智能末端的点胶质量视觉检测方法
TWI549097B (zh) 電子元件外觀影像檢測方法及其電腦可讀媒體
TWI765402B (zh) 檢測方法
KR102177329B1 (ko) 피듀셜 마크 인식 방법
CN113450331B (zh) 一种异形元器件针脚检测方法
CN117593302B (zh) 一种缺陷零件溯源方法及系统
CN118570210A (zh) 一种超大尺寸陶瓷基板电路通孔缺陷检测方法
CN115147350A (zh) 一种基于机器视觉的卡箍类零件尺寸检测方法
CN115239629A (zh) 一种花篮内多类型电池片的在线质量感知方法

Legal Events

Date Code Title Description
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200529

Termination date: 20220210

CF01 Termination of patent right due to non-payment of annual fee