CN108665458B - 透明体表面缺陷提取及识别方法 - Google Patents

Abstract

本发明涉及透明体表面缺陷提取及识别方法。本发明的透明体表面缺陷提取及识别方法包括以下步骤：①采用中值滤波的方式对图像进行平滑处理，消除噪声；②缺陷提取；③缺陷判别。与现有技术相比，本发明的方法采用特定的算法步骤，对采集到的图像进行提取和识别，从而使对透明体的线检测方法兼具适用范围广、灵活性强、运行稳定、检测效率高和精度高的特点。通过搭建实验平台对该发明方法进行了实验，实验结果表明：用本发明方法检测处理一张5’的手机玻璃面板所需的时间为3s，误检率为1.58％，位置和外观尺寸缺陷检测精度可达10um，其他缺陷检测精度为20um。

Description

透明体表面缺陷提取及识别方法

技术领域

本发明涉及机器视觉图像检测处理技术领域，具体涉及透明体表面缺陷提取及识别方法。

背景技术

近年来，伴随着互联网技术和集成电路技术的飞速发展，各种移动终端产品得到了大范围普及，手机、平板电脑等移动终端产品已成为人们日常工作生活中不可或缺的一部分。同时，随着这些电子产品日趋频繁的更新换代，作为显示屏幕重要组成部分的玻璃面板，其市场需求也呈飞跃式增长。然而，由于技术生产条件或及其他人为因素的影响，玻璃面板在生产加工运输过程中不可避免的会出现一些尺寸不良、刮痕、异物等缺陷，这些缺陷不仅影响显示屏幕质量和使用价值，而且会影响消费者对该电子产品品牌的认可度，对企业造成不可估量的损失。因此，通过严格的检测工序将具有缺陷的玻璃面板从众多的样品中筛选出来，对企业来说至关重要。

针对如玻璃面板这样的透明体进行表面缺陷检测，传统的方法是通过人眼在强光下逐一进行检测，目前该方法无统一的判别标准，完全依靠工人的经验，容易受人主观因素的影响，从而导致误检或漏检；同时劳动强度大、成本高、检测效率低，严重影响产品的生产周期和质量。采用机器视觉技术和数字图像处理相结合的高速光学自动化在线检测方法，具有速度快，信息量大，实时性强，智能化程度高等优点，近来受到业界的广泛关注。

高速光学自动化在线检测方法包括图像采集和图像处理两个过程。图像采集过程是指采用机器视觉产品(即图像摄取装置，分为CMOS和CCD两种)摄取图像的过程。图像处理过程即对缺陷进行提取及识别的过程。评判在线检测方法优劣的指标有：适用范围、灵活性、稳定性、检测效率和漏检率。目前，在透明体表面检测领域，还缺少一种能够使在线检测方法兼具适用范围广、灵活性强、运行稳定、检测效率高和精度高的特点的缺陷提取及识别方法。

发明内容

为克服现有技术中所存在的上述不足，本发明提供了一种能够使在线检测方法兼具适用范围广、灵活性强、运行稳定、检测效率高和精度高的特点的透明体表面缺陷提取及识别方法，该方法尤其适合对手机玻璃面板进行表面质量在线检测。

本发明技术方案：透明体表面缺陷提取及识别方法，包括以下步骤：

①采用中值滤波的方式对图像进行平滑处理，消除噪声；

②缺陷提取；

③缺陷判别；

所述步骤①中，中值滤波是采用一个含有奇数点滑动窗口，扫描整幅图像，将图像中间点用图像内各点的中间值代替，其表达式为：

g(x,y)＝Med{f(x-k,y-l)|(k,l∈W)}，

式中，f(x,y)为原始图像，g(x,y)为处理后的图像，W为二维模板；

所述步骤②中，包括对透明体存在的尺寸缺陷、logo不良及各目标区域的位置缺陷进行提取的子步骤a和对透明体的刮痕、异物、缺损、裂纹、点、崩边/崩角缺陷进行提取的子步骤b；

所述子步骤a是先利用Canny边缘检测算子提取出所检测透明体的边缘点，然后采取图像模板匹配比较法，将模板库中的标准图像与提取的图像进行匹配，即异或运算，判定该透明体是否存在尺寸缺陷、logo不良及目标区域的位置缺陷，并对目标区域位置进行确定；

Canny算子求边缘点具体算法步骤如下：

I.用高斯滤波函数，平滑图像以消除噪声；

高斯函数为：

n表示滤波器窗口大小；

II.用一阶差分卷积函数，计算梯度幅值和方向，以增强边缘；

采用2X2模板计算平滑后图像在x和y方向的梯度幅值和方向，如下：

得出像素点的梯度幅值与方向分别如下：

III.对梯度幅值进行非极大值抑制；具体是：对每一个像素点沿着其梯度方向与相邻两像素进行对比，保留每个像素点上梯度强度的极大值，并将其他值删掉，使模糊的边界变得清晰；

IV.用双阈值算法检测和连接边缘；具体是：将图像像素点与设定的阈值上下界进行比较，如果图像像素点大于阈值上界则认为必然是边界，称强边界；如果图像像素点小于阈值下界则认为必然不是边界，如果图像像素点介于阈值上界和阈值下界之间，则认为是候选项，称弱边界；将所有强边界进行连接；

所述子步骤b是先采用局部动态阈值分割来分割图像的背景与目标区域，再利用形态学膨胀填补缺陷空洞，然后进行骨架提取实现缺陷结构的提取，最后进行骨架重构还原缺陷的本来面貌；

所述局部动态阈值分割的过程如下：

(1)将图像分为大小一样的Q块；

(2)分别计算每块子图像的分割阈值；

(3)对每块子图像分别进行阈值分割,并最终将各块合并到一起完成整幅图像的分割；

所述形态学膨胀处理的具体过程如下：

(1)用k×k的结构元素，扫描图像的每一个像素；

(2)用结构元素与其覆盖的二值图像做“与”操作，如果都为0，则图像的该像素为0，否则为1；

所述骨架提取与重构的过程如下：

(1)骨架提取可看成是多次腐蚀的结果，即利用结构元素C形作为探针，在二值图像g_f(i,j)上进行位移扫描，当结构元素完全包含于二值图像g_f(i,j)时，记录其所有原点所在的坐标，其数学运算表达式为：

(2)骨架重构是在提取到的骨架的基础上进行扩充，进一步还原缺陷的原始样貌，其表达式为：

式中，A(r)——半径为r的结构元素；

N——

的最大值；

——膨胀操作；

所述步骤③中，缺陷判别即根据步骤②中的子步骤a和子步骤b的提取结果对缺陷的类型和/或位置进行确定，具体是：根据子步骤a的提取结果直接确定尺寸、logo和位置缺陷的类型和缺陷区域；根据子步骤b所提取的缺陷的形状特征和光学特性，按照下表所列不同缺陷种类在图像中所表现的形状特征和光学特性确定刮痕、异物、缺损、裂纹、点、崩边/崩角缺陷；

作为一种优化方案，前述的透明体表面缺陷提取及识别方法中，所述透明体为玻璃面板。

与现有技术相比，本发明的方法采用特定的算法步骤，对采集到的图像进行提取和识别，从而使对透明体的线检测方法兼具适用范围广、灵活性强、运行稳定、检测效率高和精度高的特点。通过搭建实验平台对该发明方法进行了实验，实验结果表明：用本发明方法检测处理一张5’的手机玻璃面板所需的时间为3s，误检率为1.58％，位置和外观尺寸缺陷检测精度可达10um，其他缺陷检测精度为20um。

具体实施方式

下面结合具体实施方式(实施例)对本发明作进一步的说明，此处所描述的具体实施例仅仅用以解释本发明，但并不作为对本发明限制的依据。

对5英寸方形手机玻璃面板进行表面缺陷检测的实施例。本实施中，对玻璃面板表面缺陷提取及识别方法，包括以下步骤：

①采用中值滤波的方式对图像进行平滑处理，消除噪声；

②缺陷提取；

③缺陷判别；

所述步骤①中，中值滤波是采用一个含有奇数点滑动窗口，扫描整幅图像，将图像中间点用图像内各点的中间值代替，其表达式为：

g(x,y)＝Med{f(x-k,y-l)|(k,l∈W)}，

式中，f(x,y)为原始图像，g(x,y)为处理后的图像，W为二维模板；

所述步骤②中，包括对透明体存在的尺寸缺陷、logo不良及各目标区域的位置缺陷进行提取的子步骤a和对透明体的刮痕、异物、缺损、裂纹、点、崩边/崩角缺陷进行提取的子步骤b；

所述子步骤a是先利用Canny边缘检测算子提取出所检测透明体的边缘点，然后采取图像模板匹配比较法，将模板库中的标准图像与提取的图像进行匹配，即异或运算，判定该透明体是否存在尺寸缺陷、logo不良及目标区域的位置缺陷，并对目标区域位置进行确定；

Canny算子求边缘点具体算法步骤如下：

I.用高斯滤波函数，平滑图像以消除噪声；

高斯函数为：

n表示滤波器窗口大小；

II.用一阶差分卷积函数，计算梯度幅值和方向，以增强边缘；

采用2X2模板计算平滑后图像在x和y方向的梯度幅值和方向，如下：

得出像素点的梯度幅值与方向分别如下：

III.对梯度幅值进行非极大值抑制；具体是：对每一个像素点沿着其梯度方向与相邻两像素进行对比，保留每个像素点上梯度强度的极大值，并将其他值删掉，使模糊的边界变得清晰；

IV.用双阈值算法检测和连接边缘；具体是：将图像像素点与设定的阈值上下界进行比较，如果图像像素点大于阈值上界则认为必然是边界，称强边界；如果图像像素点小于阈值下界则认为必然不是边界，如果图像像素点介于阈值上界和阈值下界之间，则认为是候选项，称弱边界；将所有强边界进行连接；

所述子步骤b是先采用局部动态阈值分割来分割图像的背景与目标区域，再利用形态学膨胀填补缺陷空洞，然后进行骨架提取实现缺陷结构的提取，最后进行骨架重构还原缺陷的本来面貌；

所述局部动态阈值分割的过程如下：

(1)将图像分为大小一样的Q块；

(2)分别计算每块子图像的分割阈值；

(3)对每块子图像分别进行阈值分割,并最终将各块合并到一起完成整幅图像的分割；

所述形态学膨胀处理的具体过程如下：

(1)用k×k的结构元素，扫描图像的每一个像素；

(2)用结构元素与其覆盖的二值图像做“与”操作，如果都为0，则图像的该像素为0，否则为1；

所述骨架提取与重构的过程如下：

(1)骨架提取可看成是多次腐蚀的结果，即利用结构元素C形作为探针，在二值图像g_f(i,j)上进行位移扫描，当结构元素完全包含于二值图像g_f(i,j)时，记录其所有原点所在的坐标，其数学运算表达式为：

(2)骨架重构是在提取到的骨架的基础上进行扩充，进一步还原缺陷的原始样貌，其表达式为：

式中，A(r)——半径为r的结构元素；

N——

的最大值；

——膨胀操作；

所述步骤③中，缺陷判别即根据步骤②中的子步骤a和子步骤b的提取结果对缺陷的类型和/或位置进行确定，具体是：根据子步骤a的提取结果直接确定尺寸、logo和位置缺陷的类型和缺陷区域；根据子步骤b所提取的缺陷的形状特征和光学特性，按照下表所列不同缺陷种类在图像中所表现的形状特征和光学特性确定刮痕、异物、缺损、裂纹、点、崩边/崩角缺陷；

上述对本申请中涉及的发明的一般性描述和对其具体实施方式的描述不应理解为是对该发明技术方案构成的限制。本领域所属技术人员根据本申请的公开，可以在不违背所涉及的发明构成要素的前提下，对上述一般性描述或/和具体实施方式包括实施例中的公开技术特征进行增加、减少或组合，形成属于本申请保护范围之内的其它的技术方案。

Claims (2)

1.透明体表面缺陷提取及识别方法，其特征在于，包括以下步骤：

①采用中值滤波的方式对图像进行平滑处理，消除噪声；

②缺陷提取；

③缺陷判别；

所述步骤①中，中值滤波是采用一个含有奇数点滑动窗口，扫描整幅图像，将图像中间点用图像内各点的中间值代替，其表达式为：

g(x,y)＝Med{f(x-k,y-l)|(k,l∈W)}，

式中，f(x,y)为原始图像，g(x,y)为处理后的图像，W为二维模板；

所述步骤②中，包括对透明体存在的尺寸缺陷、logo不良及各目标区域的位置缺陷进行提取的子步骤a和对透明体的刮痕、异物、缺损、裂纹、点、崩边/崩角缺陷进行提取的子步骤b；

所述子步骤a是先利用Canny边缘检测算子提取出所检测透明体的边缘点，然后采取图像模板匹配比较法，将模板库中的标准图像与提取的图像进行匹配，即异或运算，判定该透明体是否存在尺寸缺陷、logo不良及目标区域的位置缺陷，并对目标区域位置进行确定；

Canny算子求边缘点具体算法步骤如下：

I.用高斯滤波函数，平滑图像以消除噪声；

高斯函数为：

n表示滤波器窗口大小；

II.用一阶差分卷积函数，计算梯度幅值和方向，以增强边缘；

采用2X2模板计算平滑后图像在x和y方向的梯度幅值和方向，如下：

得出像素点的梯度幅值与方向分别如下：

III.对梯度幅值进行非极大值抑制；具体是：对每一个像素点沿着其梯度方向与相邻两像素进行对比，保留每个像素点上梯度强度的极大值，并将其他值删掉，使模糊的边界变得清晰；

IV.用双阈值算法检测和连接边缘；具体是：将图像像素点与设定的阈值上下界进行比较，如果图像像素点大于阈值上界则认为必然是边界，称强边界；如果图像像素点小于阈值下界则认为必然不是边界，如果图像像素点介于阈值上界和阈值下界之间，则认为是候选项，称弱边界；将所有强边界进行连接；

所述子步骤b是先采用局部动态阈值分割来分割图像的背景与目标区域，再利用形态学膨胀填补缺陷空洞，然后进行骨架提取实现缺陷结构的提取，最后进行骨架重构还原缺陷的本来面貌；

所述局部动态阈值分割的过程如下：

(1)将图像分为大小一样的Q块；

(2)分别计算每块子图像的分割阈值；

(3)对每块子图像分别进行阈值分割,并最终将各块合并到一起完成整幅图像的分割；

所述形态学膨胀处理的具体过程如下：

(1)用k×k的结构元素，扫描图像的每一个像素；

(2)用结构元素与其覆盖的二值图像做“与”操作，如果都为0，则图像的该像素为0，否则为1；

所述骨架提取与重构的过程如下：

(1)骨架提取可看成是多次腐蚀的结果，即利用结构元素C形作为探针，在二值图像g_f(i,j)上进行位移扫描，当结构元素完全包含于二值图像g_f(i,j)时，记录其所有原点所在的坐标，其数学运算表达式为：

(2)骨架重构是在提取到的骨架的基础上进行扩充，进一步还原缺陷的原始样貌，其表达式为：

式中，A(r)——半径为r的结构元素；

N——

的最大值；

——膨胀操作；

所述步骤③中，缺陷判别即根据步骤②中的子步骤a和子步骤b的提取结果对缺陷的类型和/或位置进行确定，具体是：根据子步骤a的提取结果直接确定尺寸、logo和位置缺陷的类型和缺陷区域；根据子步骤b所提取的缺陷的形状特征和光学特性，按照下表所列不同缺陷种类在图像中所表现的形状特征和光学特性确定刮痕、异物、缺损、裂纹、点、崩边/崩角缺陷；

2.根据权利要求1所述的透明体表面缺陷提取及识别方法，其特征在于：所述透明体为玻璃面板。