CN107255641B - 一种针对自聚焦透镜表面缺陷进行机器视觉检测的方法 - Google Patents
一种针对自聚焦透镜表面缺陷进行机器视觉检测的方法 Download PDFInfo
- Publication number
- CN107255641B CN107255641B CN201710418376.8A CN201710418376A CN107255641B CN 107255641 B CN107255641 B CN 107255641B CN 201710418376 A CN201710418376 A CN 201710418376A CN 107255641 B CN107255641 B CN 107255641B
- Authority
- CN
- China
- Prior art keywords
- image
- area
- width
- pixel
- region
- 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
- 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
- G01N21/95—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
- G01N21/84—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
- G01N2021/8887—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
- 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
- G01N2021/9583—Lenses
Abstract
本发明公开了一种针对自聚焦透镜表面缺陷进行机器视觉检测的方法,步骤为:1,控制1+n组光源的开闭,分别获得自聚焦透镜2个端面的1+n幅原始图像;2,利用第1幅图像,进行圆形目标区域图像定位和8度斜面与直角面判定,利用动态阈值分割,得到二值图像,提取疑似缺陷区域特征,给出产品合格与否的判定;3,若判定为合格品,根据圆形目标区域位置在其余n幅图像上分割目标图像,对目标图像进行中值滤波差分处理,进行麻点检测,在所分割的目标图像上,利用细微划痕的形状特征进行划痕检测,并给出检测结果;4,对2个端面的1+n幅图像分别进行缺陷检测,并对产品进行综合判定。解决了现有技术中存在的人工检测效率低、检测质量不稳定的问题。
Description
技术领域
本发明属于工业产品表面缺陷的检测方法技术领域,涉及一种针对自聚焦透镜表面缺陷进行机器视觉检测的方法。
背景技术
自聚焦透镜是一种广泛应用于光纤通讯、微型光学系统、医用光学仪器等设备上的微小光学器件,其表面质量对于产品的性能影响很大。其表面质量缺陷主要以崩边、麻点和划痕为主,其中划痕出现的概率更大。现有技术是采用人工在显微镜下通过目视来观察缺陷的位置、大小、类型,并主观确定其缺陷的分类级别。该方法存在以下缺点:检测工作效率低,工作强度大,产品质量受到人为因素影响大,检验质量因人而异,缺乏稳定的检测质量一致性。
发明内容
本发明的目的是提供一种针对自聚焦透镜表面缺陷进行机器视觉检测的方法,解决了现有技术中存在的人工检测效率低、检测质量不稳定的问题。
本发明所采用的技术方案是,一种针对自聚焦透镜表面缺陷进行机器视觉检测的方法,具体按照以下步骤实施:
步骤1,控制1+n组光源在不同时间进行开、闭,分别获得自聚焦透镜的2个端面的1+n幅原始图像,即获得了2组1+n幅原始图像;
步骤2,利用每组图像的第1幅图像,进行圆形目标区域图像的定位和8度斜面与直角面判定,并利用动态阈值分割,得到二值图像,再提取疑似缺陷区域特征,给出合格品和废品的判定;
步骤3,若步骤2判定为合格品,则,根据第1幅图像得到的圆形目标区域位置在其余n幅图像上分别分割出要处理的目标图像,对目标图像进行中值滤波差分处理,并根据所提取的区域特征进行麻点检测,并给出检测结果;在所分割的目标图像上,利用区域快速滤波及区域跟踪方法提取区域形状特征,利用细微划痕的形状特征进行划痕检测,并给出检测结果。
步骤4,经过步骤1-3,对2个端面的1+n幅图像分别进行缺陷检测,若在某个缺陷检测过程中判定为废品,则停止其他检测过程,则判定该产品为废品。否则,记录每次检测的结果,若各次检测结果均为良品,则产品为良品;若某次检测结果为次品,则产品被判定为次品。
本发明的特征还在于,
步骤1中的1+n组光源为:第1组光源是90°直射环形光源,另外n组光源是位于360度圆周上的n个点光源。
步骤1中的1+n幅原始图像分别由1+n组光源照射获得,第1组光源分别照射两个端面获得两组1+n幅原始图像的第一幅图像,其余n组光源分别照射两个端面获得两组1+n幅原始图像的其余n幅图像。
步骤2中的利用每组图像的第1幅图像,进行圆形目标区域图像的定位的方法为:
步骤A、利用迭代法阈值分割,将第1幅图像分割为含有多个区域的二值图像;
步骤B、利用拓扑结构分析进行区域跟踪,求取各个区域的最小外接圆,获得每个区域的圆心坐标和半径;
步骤C、从各个区域最小外接圆中选取与目标区域圆形先验半径差异最小的区域,作为目标圆形区域,则该区域的圆心坐标和半径即为目标圆形区域的圆心坐标(xc,yc)和半径Rt。
步骤2中的利用每组图像的第1幅图像,进行8度斜面与直角面判定的方法为:
步骤a,获得第一幅图像的平均灰度,具体方法为:
扫描整幅图像每一像素,其灰度值为Pix(x,y),计算其与目标圆形区域圆心的距离,若Dis>Rt,则该像素置为背景色;否则保留该像素灰度值,形成仅包含目标圆形区域的图像It,则目标圆形区域圆心变为图像It的中心(x′c,y′c),x′c=Width/2,y′c=Heigth/2,其中Width为该图像的宽度,Height为该图像的高度,通过在距圆心(x′c,y′c)一定距离的圆周上采样取点的方式,累加采样点的灰度值,最终计算出目标圆形区域的平均灰度m_avg,即为获得第一幅图像的平均灰度;
步骤b,根据平均灰度m_avg的大小分区间确定边缘检测中的阈值参数范围,然后利用高斯平滑滤波去除图像噪声,再用一阶偏导的有限差分来计算梯度的幅值和方向,对梯度幅值进行非极大值抑制,最终用双阈值算法检测和连接边缘,从而获得强边缘图像;
步骤c,利用特征点对参数空间投票的直线检测算法,检测强边缘图像中的直线,计算直线到目标圆形区域圆心(x′c,y′c)间的距离,若强边缘图像中存在到圆心(x′c,y′c)距离与先验距离差在一定范围内的直线,则该第一图像为8度斜面图像,该端面为8度斜面,若无则为直角面。
步骤2中利用动态阈值分割,得到二值图像,再提取疑似缺陷区域特征,给出合格品和废品的判定的具体方法为:
步骤d,结合m_avg的大小根据实验数据进行分区间动态阈值划分,得到新的分割阈值Th1,逐行列扫描处理第一幅图像中每个像素,灰度值为Pix(x,y),若Pix(x,y)<Th1,则在处理后的二值图像上将该位置像素值置为255,否则将其置为0,得到崩边这种显著缺陷的二值图像Ib;
步骤e,对仅包含目标圆形区域的图像It逐行列扫描处理每个像素,灰度值为Pix(x,y),以该像素为中心取宽度为W的滑动窗口内的所有像素值,并对其进行升序排序,计算排序后像素值序列的中间值Vm,对图像It进行滤波处理,得到滤波处理图像Imb,并将其对应位置像素值设置为Vm;将滤波处理图像Imb与仅包含目标圆形区域的图像It进行做差计算,即得到差值图像Id;对差值图像Id逐像素处理,灰度值为Pix(x,y),Th2为控制差值显著性的阈值,若Pix(x,y)>Th2,则在处理后的二值图像上将该位置像素值置为255,否则将其置为0,得到麻点、划痕这种非显著缺陷的二值图像Imh;
步骤f,将二值图像Imh和二值图像Ib合并,得到兼有崩边、麻点、划痕缺陷特征的二值图像Ibmh,再利用拓扑结构分析进行区域跟踪,计算各个疑似缺陷区域的几何形状特征,并根据这些特征的先验知识进行缺陷类型划分及合格品和废品的判定。
步骤3具体按照以下步骤实施:
步骤3.1,对其余n幅图像In进行相同的处理,具体为:对图像In进行去背景处理,即扫描整幅图像每一像素,灰度值为Pix(x,y),计算其与目标圆形区域圆心(x′c,y′c)的距离,若len>Rt,Rt为第一幅图像检测得到的圆半径,则将该像素置为背景色;否则保留该像素灰度值,形成仅包含目标圆形区域的图像Int;
步骤3.2,对仅包含目标圆形区域的图像Int进行中值滤波差分处理,根据所提取的区域特征进行麻点检测,并给出检测结果;
步骤3.3,在仅包含目标圆形区域的图像Int上,利用区域快速滤波及区域跟踪方法提取区域形状特征,利用细微划痕的形状特征进行划痕检测,并给出检测结果。
步骤3.2具体按照以下步骤实施:
步骤3.2.1,对仅包含目标圆形区域的图像Int逐行列扫描处理每个像素,灰度值为Pix(x,y),以该像素为中心取宽度为Wn的滑动窗口内的所有像素值,并对其进行升序排序,计算排序后像素值序列中的中间值Vm,对图像Int进行滤波处理,得到滤波处理图像Inb,并将其对应位置像素值设置为Vm;将滤波处理图像Inb与仅包含目标圆形区域的图像Int进行做差计算,即得到差值图像Ind;对差值图像Ind逐像素处理,灰度值为Pix(x,y),Thn2为控制差值显著性的阈值,若Pix(x,y)>Thn2,则在处理后的二值图像上将该位置像素值置为255,否则将其置为0,得到含有疑似麻点缺陷的二值图像Inh;
步骤3.2.2,利用拓扑结构分析对图像Inh进行区域跟踪,计算各个区域的几何形状特征:四邻域平均灰度差Pavg、面积area、区域中心与圆心距离pos、圆形度Dc、外接矩形的长宽比Lw,若某区域的的几何形状特征满足:圆形度Dc大于d并且面积area大于a1并且面积area小于a2并且与四邻域平均灰度差Pavg大于v并且区域中心与圆心距离pos小于r,则该区域属于麻点缺陷区域,其中,d,a1,a2,v,r为相关几何特征的实验值,d为实验中取得的麻点缺陷区域的最小圆形度值,a1为实验中取得的麻点区域的最小面积,a2为实验中取得的麻点区域的最大面积,v为实验中取得的麻点区域与四邻区域最小的平均灰度差,r为实验中取得的麻点区域中心与圆心的最大距离;
步骤3.2.3,对麻点缺陷按其麻点缺陷区域大小进行3级等级数量统计,依据生产标准给出该端面缺陷检测等级,为良品、次品或废品,并在图像上标出缺陷的位置和几何尺寸。
步骤3.3具体按照以下步骤实施:
步骤3.3.1,对仅包含目标圆形区域的图像Int进行逐行逐列逐像素扫描,灰度值为Pix(x,y),以该像素为中心取m×m大小区域,m为奇数,计算其灰度均值在距该区域n个像素距离的上、下、左、右4个位置分别取m×m大小区域,计算其灰度均值,若该像素所在区域的灰度均值大于周围4个区域的灰度均值的均值Bavg,即Cavg-Bavg>Thg,Thg为通过对多幅该类型图像进行实验统计得到的可以区分两者差异的阈值,则在处理后的二值图像上将该位置像素值置为255,否则将该像素值置为0,得到疑似划痕缺陷的二值图像Iny;
步骤3.3.2,对疑似划痕特征图像Iny进行先腐蚀再膨胀操作,消除孤立的微小区域;
步骤3.3.3,利用区域生长法进行区域跟踪,同时计算各个疑似缺陷区域的形状特征:区域中心与圆心距离pos、外接矩形的长宽比Lw、与四邻区域的灰度均值差Pavg、面积area、区域宽度qw,若某区域的形状特征满足条件:面积area大于a1并且与四邻区域的灰度均值差Pavg大于v并且外接矩形的长宽比Lw小于k,则该区域属于划痕缺陷区域,其中a1,v,k为相关几何特征的实验值,a1为实验中取得的划痕区域的最小面积,v为实验中取得的划痕区域与四邻区域最小的平均灰度差,k为实验中取得的划痕区域外接矩形的最小长宽比;
步骤3.3.4,统计划痕的数量,根据qw和划痕数量对细微划痕进行缺陷类型划分及良品、次品和废品的判定,并在图像上标出缺陷的位置和几何尺寸。
本发明的有益效果是:
1、本发明方法替代了人工进行自聚焦透镜表面缺陷检测,具有自动化程度高、检测效率远高于人工、检测质量稳定、可定量给出不同缺陷的几何尺寸的特点。
2、本发明可应用于设计的自动化检测设备上完成自动化的产品缺陷检测过程。
附图说明
图1是本发明一种针对自聚焦透镜表面缺陷进行机器视觉检测的方法的流程图;
图2是本发明一种针对自聚焦透镜表面缺陷进行机器视觉检测的方法检测对象自聚焦透镜的侧面结构示意图;
图3是本发明一种针对自聚焦透镜表面缺陷进行机器视觉检测的方法检测对象自聚焦透镜8度斜面的顶视图;
图4是本发明一种针对自聚焦透镜表面缺陷进行机器视觉检测的方法检测对象自聚焦透镜直角面的顶视图。
图中,1.台阶,2.8度斜面,3.直角面。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明采用的技术方案是,一种针对自聚焦透镜表面缺陷进行机器视觉检测的方法,其流程如图1所示,具体按照以下步骤实施:
步骤1,控制1+n组光源在不同时间进行开、闭,分别获得自聚焦透镜的2个端面的1+n幅原始图像,即获得了2组1+n幅原始图像,其中,第1组光源是90°直射环形光源,用于进行目标圆定位和显著崩边、麻点、划痕的检测,另外n组光源是位于360度圆周上的n个点光源,用来拍摄位于不同角度才可观察到的轻微划痕图像,1+n幅原始图像分别由1+n组光源照射获得,第1组光源分别照射两个端面获得两组1+n幅原始图像的第一幅图像,其余n组光源分别照射两个端面获得两组1+n幅原始图像的其余n幅图像;
步骤2,利用每组图像的第1幅图像,进行圆形目标区域图像的定位和8度斜面与直角面判定,并利用动态阈值分割,得到二值图像,再提取疑似缺陷区域特征,给出合格品或废品的判定;
其中,利用每组图像的第1幅图像,进行圆形目标区域图像的定位的方法为:
步骤A、利用迭代法阈值分割,将第1幅图像分割为含有多个区域的二值图像;
步骤B、利用拓扑结构分析进行区域跟踪,求取各个区域的最小外接圆,获得每个区域的圆心坐标和半径;
步骤C、从各个区域最小外接圆中选取与目标区域圆形先验半径差异最小的区域,作为目标圆形区域,则该区域的圆心坐标和半径即为目标圆形区域的圆心坐标(xc,yc)和半径Rt。
其中,利用每组图像的第1幅图像,进行8度斜面与直角面判定的方法为:
步骤a,获得第一幅图像的平均灰度,具体方法为:
扫描整幅图像每一像素,其灰度值为Pix(x,y),计算其与目标圆形区域圆心的距离,若Dis>Rt,则该像素置为背景色;否则保留该像素灰度值,形成仅包含目标圆形区域的图像It,则目标圆形区域圆心变为图像It的中心(x′c,y′c),x′c=Width/2,y′c=Heigth/2,其中Width为该图像的宽度,Height为该图像的高度,为了克服不同图像亮度差异对边缘检测效果的影响,通过在距圆心(x′c,y′c)一定距离的圆周上采样取点的方式,累加采样点的灰度值,最终计算出目标圆形区域的平均灰度m_avg,即为获得第一幅图像的平均灰度;
步骤b,根据平均灰度m_avg的大小分区间确定边缘检测中的阈值参数范围,然后利用高斯平滑滤波去除图像噪声,再用一阶偏导的有限差分来计算梯度的幅值和方向,对梯度幅值进行非极大值抑制,最终用双阈值算法检测和连接边缘,从而获得强边缘图像;
步骤c,由于8度斜面图像与直角面图像最大的区别在于,8度斜面图像中在台阶与8度斜面间有一条较为明显的分区直线,因此,利用特征点对参数空间投票的直线检测算法,检测强边缘图像中的直线,计算直线到目标圆形区域圆心(x′c,y′c)间的距离,若强边缘图像中存在到圆心(x′c,y′c)距离与先验距离差在一定范围内的直线,则该第一图像为8度斜面图像,该端面为8度斜面,若无则为直角面。
其中,利用动态阈值分割,得到二值图像,再提取疑似缺陷区域特征,给出合格品和废品的判定的具体方法为:
步骤d,结合m_avg的大小根据实验数据进行分区间动态阈值划分,得到新的分割阈值Th1,逐行列扫描处理第一幅图像中每个像素,灰度值为Pix(x,y),若Pix(x,y)<Th1,则在处理后的二值图像上将该位置像素值置为255,否则将其置为0,得到崩边这种显著缺陷的二值图像Ib;
步骤e,对仅包含目标圆形区域的图像It逐行列扫描处理每个像素,灰度值为Pix(x,y),以该像素为中心取宽度为W的滑动窗口内的所有像素值,并对其进行升序排序,计算排序后像素值序列的中间值Vm,对图像It进行滤波处理,得到滤波处理图像Imb,并将其对应位置像素值设置为Vm;将滤波处理图像Imb与仅包含目标圆形区域的图像It进行做差计算,即得到差值图像Id;对差值图像Id逐像素处理,灰度值为Pix(x,y),Th2为控制差值显著性的阈值,若Pix(x,y)>Th2,则在处理后的二值图像上将该位置像素值置为255,否则将其置为0,得到麻点、划痕这种非显著缺陷的二值图像Imh;
步骤f,将二值图像Imh和二值图像Ib合并,得到兼有崩边、麻点、划痕缺陷特征的二值图像Ibmh,再利用拓扑结构分析进行区域跟踪,计算各个疑似缺陷区域的几何形状特征,并根据这些特征的先验知识进行缺陷类型划分及合格品或废品的判定。
步骤3,若步骤2判定为合格品,则,根据第1幅图像得到的圆形目标区域位置在其余n幅图像上分别分割出要处理的目标图像,对目标图像进行中值滤波差分处理,并根据所提取的区域特征进行麻点检测,并给出检测结果;在所分割的目标图像上,利用区域快速滤波及区域跟踪方法提取区域形状特征,利用细微划痕的形状特征进行划痕检测,并给出检测结果,具体按照以下步骤实施:
步骤3.1,对其余n幅图像In进行相同的处理,具体为:对图像In进行去背景处理,即扫描整幅图像每一像素,灰度值为Pix(x,y),计算其与目标圆形区域圆心(x′c,y′c)的距离,若len>Rt,Rt为第一幅图像检测得到的圆半径,则将该像素置为背景色;否则保留该像素灰度值,形成仅包含目标圆形区域的图像Int;
步骤3.2,对仅包含目标圆形区域的图像Int进行中值滤波差分处理,根据所提取的区域特征进行麻点检测,并给出检测结果;
具体为:
步骤3.2.1,对仅包含目标圆形区域的图像Int逐行列扫描处理每个像素,灰度值为Pix(x,y),以该像素为中心取宽度为Wn的滑动窗口内的所有像素值,并对其进行升序排序,计算排序后像素值序列中的中间值Vm,对图像Int进行滤波处理,得到滤波处理图像Inb,并将其对应位置像素值设置为Vm;将滤波处理图像Inb与仅包含目标圆形区域的图像Int进行做差计算,即得到差值图像Ind;对差值图像Ind逐像素处理,灰度值为Pix(x,y),Thn2为控制差值显著性的阈值,若Pix(x,y)>Thn2,则将在处理后的二值图像上将该位置像素值置为255,否则将其置为0,得到含有疑似麻点缺陷的二值图像Inh;
步骤3.2.2,利用拓扑结构分析对图像Inh进行区域跟踪,计算各个区域的几何形状特征:四邻域平均灰度差Pavg、面积area、区域中心与圆心距离pos、圆形度Dc、外接矩形的长宽比Lw,若某区域的几何形状特征满足:圆形度Dc大于d并且面积area大于a1并且面积area小于a2并且与四邻域平均灰度差Pavg大于v并且区域中心与圆心距离pos小于r,则该区域属于麻点缺陷区域,其中,d,a1,a2,v,r为相关几何特征的实验值,d为实验中取得的麻点缺陷区域的最小圆形度值,a1为实验中取得的麻点区域的最小面积,a2为实验中取得的麻点区域的最大面积,v为实验中取得的麻点区域与四邻区域最小的平均灰度差,r为实验中取得的麻点区域中心与圆心的最大距离;
步骤3.2.3,对麻点缺陷按其麻点缺陷区域大小进行3级等级数量统计,依据生产标准给出该端面缺陷检测等级,为良品、次品或废品,并在图像上标出缺陷的位置和几何尺寸。
步骤3.3,在仅包含目标圆形区域的图像Int上,利用区域快速滤波及区域跟踪方法提取区域形状特征,利用细微划痕的形状特征进行划痕检测,并给出检测结果;
具体为:
步骤3.3.1,对仅包含目标圆形区域的图像Int进行逐行逐列逐像素扫描,灰度值为Pix(x,y),以该像素为中心取m×m大小区域,m为奇数,计算其灰度均值在距该区域n个像素距离的上、下、左、右4个位置分别取m×m大小区域,计算其灰度均值,若该像素所在区域的灰度均值大于周围4个区域的灰度均值的均值Bavg,即Cavg-Bavg>Thg,Thg为通过对多幅该类型图像进行实验统计得到的可以区分两者差异的阈值,则在处理后的二值图像上将该位置像素值置为255,否则将该像素值置为0,得到疑似划痕缺陷的二值图像Iny;
步骤3.3.2,对疑似划痕特征图像Iny进行先腐蚀再膨胀操作,消除孤立的微小区域;
步骤3.3.3,利用区域生长法进行区域跟踪,同时计算各个疑似缺陷区域的形状特征:区域中心与圆心距离pos、外接矩形的长宽比Lw、与四邻区域的灰度均值差Pavg、面积area、区域宽度qw,若某区域的形状特征满足条件:面积area大于a1并且与四邻区域的灰度均值差Pavg大于v并且外接矩形的长宽比Lw小于k,则该区域属于划痕缺陷区域,其中a1,v,k为相关几何特征的实验值,a1为实验中取得的划痕区域的最小面积,v为实验中取得的划痕区域与四邻区域最小的平均灰度差,k为实验中取得的划痕区域外接矩形的最小长宽比;
步骤3.3.4,统计划痕的数量,根据qw和划痕数量对细微划痕进行缺陷类型划分及良品、次品或废品的判定,并在图像上标出缺陷的位置和几何尺寸。
步骤4,经过步骤1-3,对2个端面的1+n幅图像分别进行缺陷检测,若在某个缺陷检测过程中判定为废品,则停止其他检测过程,则判定该产品为废品。否则,记录每次检测的结果,若各次检测结果均为良品,则产品为良品;若某次检测结果为次品,则产品被判定为次品。
本发明的缺陷检测中,崩边一般中心位置贴近圆周附近,且面积较大,圆形度很低;麻点一般处于圆心周围一定范围,面积较小,圆形度较大;而划痕具有较大的长宽比,圆形度最小。根据废品的几何形状规律设置以上4个几何形状特征的阈值,并形成判定规则完成废品与合格品的判定,并在图像上标出缺陷的位置和几何尺寸。
本发明的自聚焦透镜是一种两端形状不同的圆柱形光学透镜,端面直径约为1.4mm,长度约为4mm,其一端为直角圆形面,称为直角面3,另一端带有1个月牙形台阶1和1个8度斜面,称为8度斜面2,如图2所示。
Claims (5)
1.一种针对自聚焦透镜表面缺陷进行机器视觉检测的方法,其特征在于,具体按照以下步骤实施:
步骤1,控制1+n组光源在不同时间进行开、闭,分别获得自聚焦透镜的2个端面的1+n幅原始图像,即获得了2组1+n幅原始图像;
步骤2,利用每组图像的第1幅图像,进行圆形目标区域图像的定位和8度斜面与直角面判定,并利用动态阈值分割,得到二值图像,再提取疑似缺陷区域特征,给出合格品和废品的判定;
步骤3,若步骤2判定为合格品,则,根据第1幅图像得到的圆形目标区域位置在其余n幅图像上分别分割出要处理的目标图像,对目标图像进行中值滤波差分处理,并根据所提取的区域特征进行麻点检测,并给出检测结果;在所分割的目标图像上,利用区域快速滤波及区域跟踪方法提取区域形状特征,利用细微划痕的形状特征进行划痕检测,并给出检测结果;
步骤4,经过步骤1-3,对2个端面的1+n幅图像分别进行缺陷检测,若在某个缺陷检测过程中判定为废品,则停止其他检测过程,则判定该产品为废品;否则,记录每次检测的结果,若各次检测结果均为良品,则产品为良品;若某次检测结果为次品,则产品被判定为次品;
步骤1中所述的1+n组光源为:第1组光源是90°直射环形光源,另外n组光源是位于360度圆周上的n个点光源;
步骤1中所述的1+n幅原始图像分别由1+n组光源照射获得,第1组光源分别照射两个端面获得两组1+n幅原始图像的第一幅图像,其余n组光源分别照射两个端面获得两组1+n幅原始图像的其余n幅图像;
步骤2中所述的利用每组图像的第1幅图像,进行圆形目标区域图像的定位的方法为:
步骤A、利用迭代法阈值分割,将第1幅图像分割为含有多个区域的二值图像;
步骤B、利用拓扑结构分析进行区域跟踪,求取各个区域的最小外接圆,获得每个区域的圆心坐标和半径;
步骤C、从各个区域最小外接圆中选取与目标区域圆形先验半径差异最小的区域,作为目标圆形区域,则该区域的圆心坐标和半径即为目标圆形区域的圆心坐标(xc,yc)和半径Rt;
步骤2中所述的利用每组图像的第1幅图像,进行8度斜面与直角面判定的方法为:
步骤a,获得第一幅图像的平均灰度,具体方法为:
扫描整幅图像每一像素,其灰度值为Pix(x,y),计算其与目标圆形区域圆心的距离,若Dis>Rt,则该像素置为背景色;否则保留该像素灰度值,形成仅包含目标圆形区域的图像It,则目标圆形区域圆心变为图像It的中心(x′c,y′c),x′c=Width/2,y′c=Heigth/2,其中Width为该图像的宽度,Height为该图像的高度,通过在距圆心(x′c,y′c)一定距离的圆周上采样取点的方式,累加采样点的灰度值,最终计算出目标圆形区域的平均灰度m_avg,即为获得第一幅图像的平均灰度;
步骤b,根据平均灰度m_avg的大小分区间确定边缘检测中的阈值参数范围,然后利用高斯平滑滤波去除图像噪声,再用一阶偏导的有限差分来计算梯度的幅值和方向,对梯度幅值进行非极大值抑制,最终用双阈值算法检测和连接边缘,从而获得强边缘图像;
步骤c,利用特征点对参数空间投票的直线检测算法,检测强边缘图像中的直线,计算直线到目标圆形区域圆心(x′c,y′c)间的距离,若强边缘图像中存在到圆心(x′c,y′c)距离与先验距离差在一定范围内的直线,则该第一图像为8度斜面图像,该端面为8度斜面,若无则为直角面。
2.根据权利要求1所述的一种针对自聚焦透镜表面缺陷进行机器视觉检测的方法,其特征在于,步骤2中所述利用动态阈值分割,得到二值图像,再提取疑似缺陷区域特征,给出合格品和废品的判定的具体方法为:
步骤d,结合m_avg的大小根据实验数据进行分区间动态阈值划分,得到新的分割阈值Th1,逐行列扫描处理第一幅图像中每个像素,灰度值为Pix(x,y),若Pix(x,y)<Th1,则在处理后的二值图像上将该位置像素值置为255,否则将其置为0,得到崩边这种显著缺陷的二值图像Ib;
步骤e,对仅包含目标圆形区域的图像It逐行列扫描处理每个像素,灰度值为Pix(x,y),以该像素为中心取宽度为W的滑动窗口内的所有像素值,并对其进行升序排序,计算排序后像素值序列的中间值Vm,对图像It进行滤波处理,得到滤波处理图像Imb,并将其对应位置像素值设置为Vm;将滤波处理图像Imb与仅包含目标圆形区域的图像It进行做差计算,即得到差值图像Id;对差值图像Id逐像素处理,灰度值Pix(x,y),Th2为控制差值显著性的阈值,若Pix(x,y)>Th2,则将在处理后的二值图像上将该位置像素值置为255,否则将其置为0,得到麻点、划痕这种非显著缺陷的二值图像Imh;
步骤f,将二值图像Imh和二值图像Ib合并,得到兼有崩边、麻点、划痕缺陷特征的二值图像Ibmh,再利用拓扑结构分析进行区域跟踪,计算各个疑似缺陷区域的几何形状特征,并根据这些特征的先验知识进行缺陷类型划分及合格品和废品的判定。
3.根据权利要求1所述的一种针对自聚焦透镜表面缺陷进行机器视觉检测的方法,其特征在于,所述步骤3具体按照以下步骤实施:
步骤3.1,对其余n幅图像In进行相同的处理,具体为:对图像In进行去背景处理,即扫描整幅图像每一像素,灰度值为Pix(x,y),计算其与目标圆形区域圆心(x′c,y′c)的距离,若len>Rt,Rt为第一幅图像检测得到的圆半径,则将该像素置为背景色;否则保留该像素灰度值,形成仅包含目标圆形区域的图像Int;
步骤3.2,对仅包含目标圆形区域的图像Int进行中值滤波差分处理,根据所提取的区域特征进行麻点检测,并给出检测结果;
步骤3.3,在仅包含目标圆形区域的图像Int上,利用区域快速滤波及区域跟踪方法提取区域形状特征,利用细微划痕的形状特征进行划痕检测,并给出检测结果。
4.根据权利要求3所述的一种针对自聚焦透镜表面缺陷进行机器视觉检测的方法,其特征在于,步骤3.2具体按照以下步骤实施:
步骤3.2.1,对仅包含目标圆形区域的图像Int逐行列扫描处理每个像素,灰度值为Pix(x,y),以该像素为中心取宽度为Wn的滑动窗口内的所有像素值,并对其进行升序排序,计算排序后像素值序列中的中间值Vm,对图像Int进行滤波处理,得到滤波处理图像Inb,并将其对应位置像素值设置为Vm;将滤波处理图像Inb与仅包含目标圆形区域的图像Int进行做差计算,即得到差值图像Ind;对差值图像Ind逐像素处理,灰度值为Pix(x,y),Thn2为控制差值显著性的阈值,若Pix(x,y)>Thn2,则将在处理后的二值图像上将该位置像素值置为255,否则将其置为0,得到含有疑似麻点缺陷的二值图像Inh;
步骤3.2.2,利用拓扑结构分析对图像Inh进行区域跟踪,计算各个区域的几何形状特征:四邻域平均灰度差Pavg、面积area、区域中心与圆心距离pos、圆形度Dc、外接矩形的长宽比Lw,若某区域的几何形状特征满足:圆形度Dc大于d并且面积area大于a1并且面积area小于a2并且与四邻域平均灰度差Pavg大于v并且区域中心与圆心距离pos小于r,则该区域属于麻点缺陷区域,其中,d,a1,a2,v,r为相关几何特征的实验值,d为实验中取得的麻点缺陷区域的最小圆形度值,a1为实验中取得的麻点区域的最小面积,a2为实验中取得的麻点区域的最大面积,v为实验中取得的麻点区域与四邻区域最小的平均灰度差,r为实验中取得的麻点区域中心与圆心的最大距离;
步骤3.2.3,对麻点缺陷按其麻点缺陷区域大小进行3级等级数量统计,依据生产标准给出该端面缺陷检测等级,为良品、次品或废品,并在图像上标出缺陷的位置和几何尺寸。
5.根据权利要求3所述的一种针对自聚焦透镜表面缺陷进行机器视觉检测的方法,其特征在于,步骤3.3具体按照以下步骤实施:
步骤3.3.1,对仅包含目标圆形区域的图像Int进行逐行逐列逐像素扫描,灰度值为Pix(x,y),以该像素为中心取m×m大小区域,m为奇数,计算其灰度均值在距该区域n个像素距离的上、下、左、右4个位置分别取m×m大小区域,计算其灰度均值,若该像素所在区域的灰度均值大于周围4个区域的灰度均值的均值Bavg,即Cavg-Bavg>Thg,Thg为通过对多幅该类型图像进行实验统计得到的可以区分两者差异的阈值,则将在处理后的二值图像上将该位置像素值置为255,否则将该像素值置为0,得到疑似划痕缺陷的二值图像Iny;
步骤3.3.2,对疑似划痕特征图像Iny进行先腐蚀再膨胀操作,消除孤立的微小区域;
步骤3.3.3,利用区域生长法进行区域跟踪,同时计算各个疑似缺陷区域的形状特征:区域中心与圆心距离pos、外接矩形的长宽比Lw、与四邻区域的灰度均值差Pavg、面积area、区域宽度qw,若某区域的形状特征满足条件:面积area大于a1并且与四邻区域的灰度均值差Pavg大于v并且外接矩形的长宽比Lw小于k,则该区域属于划痕缺陷区域,其中a1,v,k为相关几何特征的实验值,a1为实验中取得的划痕区域的最小面积,v为实验中取得的划痕区域与四邻区域最小的平均灰度差,k为实验中取得的划痕区域外接矩形的最小长宽比;
步骤3.3.4,统计划痕的数量,根据qw和划痕数量对细微划痕进行缺陷类型划分及良品、次品和废品的判定,并在图像上标出缺陷的位置和几何尺寸。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710418376.8A CN107255641B (zh) | 2017-06-06 | 2017-06-06 | 一种针对自聚焦透镜表面缺陷进行机器视觉检测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710418376.8A CN107255641B (zh) | 2017-06-06 | 2017-06-06 | 一种针对自聚焦透镜表面缺陷进行机器视觉检测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107255641A CN107255641A (zh) | 2017-10-17 |
CN107255641B true CN107255641B (zh) | 2019-11-22 |
Family
ID=60023959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710418376.8A Active CN107255641B (zh) | 2017-06-06 | 2017-06-06 | 一种针对自聚焦透镜表面缺陷进行机器视觉检测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107255641B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108956095A (zh) * | 2018-05-17 | 2018-12-07 | 北京风云天地信息科技有限公司 | 一种光学透镜污染程度测量方法及装置 |
CN108957572B (zh) * | 2018-05-18 | 2020-02-07 | 广东工业大学 | 一种太赫兹成像方法、装置、设备及可读存储介质 |
CN108918093B (zh) * | 2018-05-23 | 2020-08-04 | 精锐视觉智能科技(深圳)有限公司 | 一种滤光片镜面缺陷检测方法、装置及终端设备 |
CN110858395B (zh) * | 2018-08-24 | 2024-03-26 | 东华大学 | 一种卷装长丝的污丝缺陷检测方法 |
CN109934811B (zh) * | 2019-03-08 | 2022-12-30 | 中国科学院光电技术研究所 | 一种基于深度学习的光学元件表面缺陷检测方法 |
CN110021012B (zh) * | 2019-03-27 | 2023-09-26 | 安徽皓视光电科技有限公司 | 基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法 |
CN109978865A (zh) * | 2019-03-28 | 2019-07-05 | 中核建中核燃料元件有限公司 | 一种用于核燃料棒焊缝表面检测的方法、装置 |
CN109916914B (zh) * | 2019-04-10 | 2021-07-02 | 清华大学深圳研究生院 | 一种产品缺陷检测方法及装置 |
CN110487801B (zh) * | 2019-07-30 | 2022-07-19 | 厦门三安光电有限公司 | 识别石墨盘高温烘烤结果的方法、装置、设备及存储介质 |
CN111091556B (zh) * | 2019-12-13 | 2022-04-12 | 南京工程学院 | 一种汽车仪表盘表面划痕的自动检测方法 |
CN111627009B (zh) * | 2020-05-27 | 2023-10-20 | 歌尔光学科技有限公司 | 一种屏幕检测方法、装置及头戴显示设备 |
CN111860500B (zh) * | 2020-07-10 | 2024-03-19 | 大连海事大学 | 一种鞋印磨损区域检测与描边方法 |
CN112668565B (zh) * | 2020-12-10 | 2023-02-14 | 中国科学院西安光学精密机械研究所 | 一种针对具有遮挡形变的圆形目标判读方法 |
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 |
CN114612469B (zh) * | 2022-05-09 | 2022-08-12 | 武汉中导光电设备有限公司 | 产品缺陷检测方法、装置、设备及可读存储介质 |
CN117214183B (zh) * | 2023-11-07 | 2024-01-30 | 山东泗水金立得纸业有限公司 | 一种基于机器视觉的纸张缺陷检测方法 |
CN117252877B (zh) * | 2023-11-17 | 2024-02-02 | 济南界龙科技有限公司 | 基于图像特征的二极体导线架质量检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103826105A (zh) * | 2014-03-14 | 2014-05-28 | 贵州大学 | 一种基于机器视觉技术的视频跟踪系统及其实现方法 |
CN104655643A (zh) * | 2015-02-12 | 2015-05-27 | 天津理工大学 | 一种电子器件表面焊接过程质量检测系统 |
CN106157303A (zh) * | 2016-06-24 | 2016-11-23 | 浙江工商大学 | 一种基于机器视觉对表面检测的方法 |
CN106204614A (zh) * | 2016-07-21 | 2016-12-07 | 湘潭大学 | 一种基于机器视觉的工件外观缺陷检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4793266B2 (ja) * | 2004-11-24 | 2011-10-12 | 旭硝子株式会社 | 透明板状体の欠陥検査方法および装置 |
-
2017
- 2017-06-06 CN CN201710418376.8A patent/CN107255641B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103826105A (zh) * | 2014-03-14 | 2014-05-28 | 贵州大学 | 一种基于机器视觉技术的视频跟踪系统及其实现方法 |
CN104655643A (zh) * | 2015-02-12 | 2015-05-27 | 天津理工大学 | 一种电子器件表面焊接过程质量检测系统 |
CN106157303A (zh) * | 2016-06-24 | 2016-11-23 | 浙江工商大学 | 一种基于机器视觉对表面检测的方法 |
CN106204614A (zh) * | 2016-07-21 | 2016-12-07 | 湘潭大学 | 一种基于机器视觉的工件外观缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107255641A (zh) | 2017-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107255641B (zh) | 一种针对自聚焦透镜表面缺陷进行机器视觉检测的方法 | |
CN105784713B (zh) | 基于机器视觉的密封圈表面缺陷检测方法 | |
CN110286124B (zh) | 基于机器视觉的耐火砖测量系统 | |
CN111179225B (zh) | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 | |
CN112419250A (zh) | 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法 | |
CN109816644A (zh) | 一种基于多角度光源影像的轴承缺陷自动检测系统 | |
CN113362326A (zh) | 一种电池焊点缺陷的检测方法及装置 | |
CN111257348B (zh) | 一种基于机器视觉的led导光板缺陷检测方法 | |
CN108169236A (zh) | 一种基于视觉的金属表面缺陷检测方法 | |
CN110827235B (zh) | 钢板表面缺陷检测方法 | |
CN109685766A (zh) | 一种基于区域融合特征的布匹瑕疵检测方法 | |
CN111060442B (zh) | 一种基于图像处理的油液颗粒检测方法 | |
CN104792794A (zh) | 基于机器视觉的光学薄膜表面缺陷检测方法 | |
CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN108038838A (zh) | 一种棉麻纤维种类自动检测方法和系统 | |
CN115908269A (zh) | 视觉缺陷检测方法、装置、存储介质和计算机设备 | |
CN110288571B (zh) | 一种基于图像处理的高铁接触网绝缘子异常检测方法 | |
CN106529551B (zh) | 面向包装行业的类圆对象智能识别计数检测方法 | |
CN109064439B (zh) | 基于分区的单侧入光式导光板暗影缺陷提取方法 | |
CN116630813B (zh) | 一种公路路面施工质量智能检测系统 | |
CN111474179A (zh) | 镜片表面清洁度检测装置及方法 | |
CN103177426B (zh) | 一种基于形态学的强干扰激光边缘图像修复方法 | |
CN110414521A (zh) | 一种变电站内变压器油位计示数识别方法 | |
CN113916893A (zh) | 模切产品缺陷的检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
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 |