CN109102497A - 高分辨率的导光板图像缺陷检测方法 - Google Patents
高分辨率的导光板图像缺陷检测方法 Download PDFInfo
- Publication number
- CN109102497A CN109102497A CN201810767219.2A CN201810767219A CN109102497A CN 109102497 A CN109102497 A CN 109102497A CN 201810767219 A CN201810767219 A CN 201810767219A CN 109102497 A CN109102497 A CN 109102497A
- Authority
- CN
- China
- Prior art keywords
- light guide
- guide plate
- image
- area
- obtains
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
Abstract
本发明提供一种高分辨率的导光板图像缺陷检测方法,包括以下步骤:采集导光板原图,对导光板原图进行图像增强,对导光板图像增强图采用最大类间方差法进行阈值分割,对阈值处理显示图求连通域,对导光板整体连通域求取图进行最大面积提取,对最大面积提取图进行形状转换,对导光板图像形状转换图进行灰度值调整,对灰度值调整图进行分区处理,对导光板图像分区显示图进行高斯偏导,对高斯偏导显示图进行掩模处理,对掩模处理显示图进行傅里叶正变换,建立正弦形状的带通滤波器,对卷积显示图进行傅里叶逆变换,对傅里叶逆变换显示图进行阈值处理,对第二次阈值处理显示图求连通域,对第二次连通域显示图进行缺陷提取,缺陷显示。
Description
技术领域
本发明涉及的一种导光板常见缺陷的检测方法,具体涉及一种高分辨率的导光板图像缺陷检测方法。
背景技术
导光板(Light Guide Plate,LGP)是利用光学级的亚克力/PC板材,然后利用具有较高反射率并且不吸光的高科技材料,在光学级的亚克力板材底面用V型十字网格雕刻、激光雕刻、UV网版印刷技术印上导光点。导光板凭借其轻巧,较薄,高亮度和对环境十分有利等优势在工业领域得到了十分广泛的应用。然而,导光板在制作过程中常出现划伤、压伤、黑点、白点等缺陷,每种缺陷产生的情况以及原因各不相同,如缺陷暗影产生的情况分为两种情况:(1)可能是加热筒(螺杆)里面的熔料中混有较多的气体没有被排出,在高速充模的情况下较多的气体难以完全排出,在模具型腔内的某部分产生剧烈灼烧,将产品烧黑而形成的暗区;(2)为了防止拉丝过长,我们经常将螺杆松退距离设置过大与产品料头彻底断开,而在这之间就形成一段空间,螺杆在计量时,由于转速的原因,熔料会逆流一点至空隙处而易被冷却,在高速充模时,如果这部分被冷却的熔料在高速充模的情况下被带入模具型腔,很难与后面进入的熔料完全融合,也就是说这部分冷却的熔料被后面熔料包住而形成的一块暗区等。又比如缺陷白点产生的原因分为4种情况:(1)在塑化过程中,在熔料温度过低,背压过小,转速过快,未能将塑胶料完全均匀的熔化,在塑胶熔料中存在着固体;(2)塑胶原料不干净,混有白色的杂质;(3)成型机周边环境受到污染,空气中粉尘较重;(4)模仁的过于粗糙,导致在取出产品时拉伤拉品而产生的白点等。导光板缺陷的存在会影响相关设备的使用,导致设备的使用效率,发光的均匀性以及寿命等都会受到影响,此外,有缺陷导光板的外销会严重损害企业的信誉,对企业的长远发展造成重大的负面影响,因此,对生产的导光板进行质量检测,剔除劣质品尤为重要。
目前,国内针对导光板中常见缺陷的检测还主要依赖于人力操作,但人工检测劣势明显,问题众多:(1)员工处于长期处于的超负荷环境中会严重损害视力健康;(2)导光板缺陷检测技术复杂深奥,普通员工不容易掌握;(3)人工操作时极易受外部环境影响,检测精度难以保证;(4)人工检测依据肉眼完成,无法形成量化标准。
由于导光板缺陷微小难找,因此为了尽可能检测出导光板中的缺陷需要借助高精度的线阵相机进行取图。由于线阵相机采集的图像大小近400MB,而企业要求检测时长控制在8秒以内,这对检测算法提出了很高的要求。目前curvelet变换,contourlet变换以及shearlet变换等方法被运用到导光板常见缺陷检测上来,但这些算法在检测精度和检测时长上距离企业的相关标准仍有一定的差距。
因此,需要对现有技术进行改进。
发明内容
本发明要解决的技术问题是提供一种高效的高分辨率的导光板图像缺陷检测方法。
为解决上述技术问题,本发明提供一种高分辨率的导光板图像缺陷检测方法,包括以下步骤:
1)、采集导光板原图;执行步骤2;
2)、对导光板原图进行图像增强,得到导光板图像增强图;执行步骤3;
3)、对导光板图像增强图采用最大类间方差法进行阈值分割,得到阈值处理显示图;执行步骤4;
4)、对阈值处理显示图求连通域,得到导光板整体连通域求取图;执行步骤5;
5)、对导光板整体连通域求取图进行最大面积提取,得到最大面积提取图;执行步骤6;
6)、对最大面积提取图进行形状转换,得到导光板图像形状转换图;执行步骤7;
7)、对导光板图像形状转换图进行灰度值调整,得到灰度值调整图;执行步骤8;
8)、对灰度值调整图进行分区处理,得到导光板图像分区显示图;执行步骤9;
9)、对导光板图像分区显示图进行高斯偏导,得到高斯偏导显示图;执行步骤10;
10)、对高斯偏导显示图进行掩模处理,得到掩模处理显示图;执行步骤11;
11)、对掩模处理显示图进行傅里叶正变换,得到傅里叶正变换显示图;执行步骤12;
12)、建立正弦形状的带通滤波器;执行步骤13;
13)、根据傅里叶变换结果图和带通滤波器进行卷积,得到卷积显示图;执行步骤14;
14)、对卷积显示图进行傅里叶逆变换,得到傅里叶逆变换显示图;执行步骤15;
15)、对傅里叶逆变换显示图进行阈值处理,得到第二次阈值处理显示图;执行步骤16;
16)、对第二次阈值处理显示图求连通域,得到第二次连通域显示图;执行步骤17;
17)、对第二次连通域显示图进行缺陷提取;执行步骤18;
18)、缺陷显示。
作为对本发明的高分辨率的导光板图像缺陷检测方法的改进,步骤2)包括:
式中f(x,y)为导光板原图,f*(x,y)为导光板图像增强图,L(x,y)为导光板原图的低频部分,为导光板原图的灰度均值,M和N为导光板原图的尺寸,Ω(x,y)为导光板原图中以(x,y)为中心的局域窗口,Num为该局域窗口中的像素个数,f(i,j)为局域窗口中(i,j)处的灰度值,L(i,j)为该局域窗口中低频部分在(i,j)处的灰度值。
作为对本发明的高分辨率的导光板图像缺陷检测方法的进一步改进,步骤3)包括:
假设导光板输入图像为f(x,y),所要分割的阈值为T,目标区像素点占整幅导光板图像的比例为ω1,目标区的像素点灰度均值为μ1,背景区像素点占整幅导光板图像的比例为ω2,背景区的像素点灰度均值为μ2,整幅图像的灰度均值为μ,类间方差为S,导光板图像增强图中灰度值小于等于T的像素个数为N1,大于T的像素个数为N2,则最大类间方差模型如下:
Smax=ω1(μ1-μ)2+ω2(μ2-μ)2
式中ω1=N1/(N1+N2),ω2=N2/(N1+N2),μ=ω1×μ1+ω2×μ2
分割成前景图像和背景图像后,取前景图像作为阈值处理显示图。
作为对本发明的高分辨率的导光板图像缺陷检测方法的进一步改进,步骤6)包括:
对最大面积提取图求取最小外接矩形,得到导光板图像形状转换图。
作为对本发明的高分辨率的导光板图像缺陷检测方法的进一步改进,步骤7)包括:
式中fmax(x,y)为f(x,y)中最大灰度值,fmin(x,y)为f(x,y)中最小灰度值,f(x,y)为调整前图像在(x,y)处的灰度值,为调整后图像在(x,y)处的灰度值(灰度值调整图)。
作为对本发明的高分辨率的导光板图像缺陷检测方法的进一步改进,步骤9)包括:
式中fk(x,y)为第k区图像的函数。
作为对本发明的高分辨率的导光板图像缺陷检测方法的进一步改进,步骤11)包括:
对的导光板第k区图像进行二维离散傅里叶变换,k∈[1,3];变换公式如下:
式中fk(x,y)为第k区(x,y)处的灰度值,Mk和Nk为第k区图像的尺寸,j为虚数,Fk(a,b)为第k区傅里叶变换的结果。
作为对本发明的高分辨率的导光板图像缺陷检测方法的进一步改进,步骤14)包括:
对步骤13得到卷积显示图进行二维离散傅里叶逆变换,变换公式如下:
作为对本发明的高分辨率的导光板图像缺陷检测方法的进一步改进,步骤17)包括:
设置了偏心距以及面积两个参数来提取导光板中的缺陷。
(1)、偏心距参数:由于缺陷曲线有时具有椭圆曲线光滑,凸状的性质,因此不妨将缺陷曲线等效成椭圆的一段弧长,结合椭圆的性质,求出其长半轴长RA和短半轴长RB,那么偏心距求取公式如下:
As为所要求的偏心距。
(2)、面积参数:由于缺陷在导光板图像中占据一定的范围,因此根据面积进行提取是一种不错的选择;具体做法如下:首先根据相机的分辨率以及其拍摄的视野范围(相机固定后所能拍摄的最大宽度)确定单个像素的面积,然后计算缺陷包含的像素个数,像素个数乘以单个像素的面积就是缺陷的面积。通过设置不同范围的面积参数来提取不同类型的缺陷,具体参数根据实际情况确定。
本发明高分辨率的导光板图像缺陷检测方法的技术优势为:
与其它检测方法相比,本发明检测算法简单,便捷,高效,此外,采用手动分区能够对导光板中导光点中密集区和稀疏区分别处理,提高精度,避免误检。实验结果表明:本发明算法稳定,高效,符合企业的相关标准,能够适应生产应用。
具体优势:
1)、根据国内外专利和论文检索情况,截至目前没有导光板杂质、白点、脏污、线划伤等缺陷的视觉检测成果。群创光电等背光模组生产厂家都是采用人工检测,本发明专利首次给出稳定的导光板杂质、白点、脏污、线划伤等缺陷视觉检测方法。
2)、由于单侧入光式导光板制作工艺的影响,导光板的光点分布不均匀,距离光源越远的地方光点分布越密集,而且光点分布密度不同的区域缺陷认定标准也不一样。本发明专利根据光点分布情况对导光板图像进行分区,并对不同分区图像分别设计缺陷检测算法,可以有效提高检测算法的精度、稳定性和鲁棒性;
3)、对导光板各分区图像分别设计正弦带通滤波器,可以很好地凸显缺陷区域,并有效减少甚至避免光照、噪声等外界干扰对缺陷检测的影响;
4)、本发明通过计算疑似缺陷区域连通域面积和偏心距来确定缺陷,可以避免成像过程中的造成的外界干扰,有效提高缺陷检测的准确性;而且可以通过设置缺陷面积和偏心距等过滤不同分区的缺陷,满足不同厂家、不同等级产品的质量检测要求,提高了算法的适应性。
5)、本发明灵活多用,能够检测多种类型的导光板,在实际过程中对导光板中的疏密区域能进行识别判断,提高了检测精度;
6)、本发明算法只需进行少量的参数调整即可进行全自动检测;
7)、本发明算法稳定高效,维护方便。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细说明。
图1为本发明高分辨率的导光板图像缺陷检测方法的算法流程图;
图2为步骤1得到的导光板原图;
图3为步骤2得到的导光板图像增强图;
图4为步骤3得到的阈值处理显示图;
图5为步骤4得到的导光板整体连通域求取图;
图6为步骤5得到的最大面积提取图;
图7为步骤6得到的导光板图像形状转换图;
图8为步骤8得到的导光板图像分区显示图;
图9为步骤9得到的导光板最右区(第三区)图像高斯偏导显示图;
图10为步骤10得到的导光板最右区(第三区)图像掩模处理显示图;
图11为步骤11得到的导光板最右区(第三区)图像傅里叶正变换显示图;
图12为步骤13得到的导光板最右区(第三区)图像卷积显示图;
图13为步骤14得到的导光板最右区(第三区)图像傅里叶逆变换显示图;
图14为步骤15得到的导光板最右区(第三区)图像阈值处理显示图;
图15为步骤16得到的导光板最右区(第三区)图像第二次连通域显示图;
图16为步骤18得到的导光板最右区(第三区)图像杂质缺陷显示图;
图17为步骤18得到的导光板最右区(第三区)图像白点缺陷显示图;
图18为步骤18得到的导光板最右区(第三区)图像脏污缺陷显示图;
图19为步骤18得到的导光板最右区(第三区)图像线划伤缺陷显示图。
具体实施方式
下面结合具体实施例对本发明进行进一步描述,但本发明的保护范围并不仅限于此。
实施例1、高分辨率的导光板图像缺陷检测方法,如图1-19所示,包括以下步骤:
1)、导光板缺陷微小难找,为了尽可能检测出其缺陷,需要利用线阵相机采集其导光板原图;执行步骤2;
经过观察发现,线阵相机采集到的导光板图像在纹理清晰度,光线均匀性等方面都符合要求,对于后续工作的处理十分有利。
2)、对导光板原图进行图像增强,得到导光板图像增强图;执行步骤3;
利用线阵相机采集到的导光板原图在局部区域存在纹理不够清晰,细节稍有模糊的情况,为了使其细节纹理得到更清晰的显示,便于后续的处理,本发明决定对导光板原图进行细节增强;得到导光板图像增强图;
具体模型如下:
式中f(x,y)为导光板增强前的图像(导光板原图),f*(x,y)为导光板增强后的图像(导光板图像增强图),L(x,y)为导光板原图的低频部分,为导光板原图的灰度均值,M和N为导光板原图的尺寸,Ω(x,y)为导光板原图中以(x,y)为中心的局域窗口,Num为该局域窗口中的像素个数,f(i,j)为局域窗口中(i,j)处的灰度值,L(i,j)为该局域窗口中低频部分在(i,j)处的灰度值。
3)、对导光板图像增强图采用最大类间方差法进行阈值分割,得到阈值处理显示图;执行步骤4;
最大类间方差法就是根据图像的灰度特性将图像分为前景图像和背景图像,这两个区之间的方差越大,则它们之间的差异就越明显;具体内容如下:
假设导光板输入图像为f(x,y),所要分割的阈值为T,目标区像素点占整幅导光板图像的比例为ω1,目标区的像素点灰度均值为μ1,背景区像素点占整幅导光板图像的比例为ω2,背景区的像素点灰度均值为μ2,整幅图像的灰度均值为μ,类间方差为S,导光板图像增强图中灰度值小于等于T的像素个数为N1,大于T的像素个数为N2,则最大类间方差模型如下:
Smax=ω1(μ1-μ)2+ω2(μ2-μ)2
式中ω1=N1/(N1+N2),ω2=N2/(N1+N2),μ=ω1×μ1+ω2×μ2
分割成前景图像和背景图像后,取前景图像作为阈值处理显示图。
4)、对步骤3的阈值处理显示图求连通域,得到导光板整体连通域求取图;执行步骤5;
5)、对导光板整体连通域求取图进行最大面积提取,得到最大面积提取图;执行步骤6;
由于导光板图像在拍摄过程中的不规范性以及操作的不严谨,可能会将一些其它部分拍摄到图像中去,这些部分的存在对于导光板图像的检测无利并且会起到非常严重的干扰作用,因此排除干扰对于后续检测十分重要。此操作主要是提取步骤4中结果区域的面积最大的区块;相关公式如下:
Area=max{Si,i=1,2,3,… …}
式中Si为图像中第i块区域的面积;
6)、对最大面积提取图进行形状转换,得到导光板图像形状转换图;执行步骤7;
因为导光板图像就是矩形形状,所以最大面积提取图一定就是矩形,由于步骤5中所提取的矩形面积区域并不规则,局部边缘地区存在毛刺,小凸块等,因此为了便于后续处理,此处将该面积区转换为规则的矩形区,剔除毛刺,小凸块等干扰,使矩形的四边光滑,简而言之,此处的形状转换就是平滑矩形区的四边。
具体步骤就是求取该矩形区域的最小外接矩形,由于最小外接矩形是标准图形,用最小外接矩形替换原来的矩形区域,那么自然可以消除这些毛刺,小凸块。
7)、对导光板图像形状转换图进行灰度值调整,得到灰度值调整图;执行步骤8;
此处的灰度值调整就是将图像中灰度值调整到0-255之间,具体公式如下:
式中fmax(x,y)为f(x,y)中最大灰度值,fmin(x,y)为f(x,y)中最小灰度值,f(x,y)为调整前图像在(x,y)处的灰度值,为调整后图像在(x,y)处的灰度值(灰度值调整图)。
8)、对灰度值调整图进行分区处理,得到导光板图像分区显示图;执行步骤9;
矩形导光板图像中的导光点分布特点是图像上下导光点疏密性一致,自左至右导光点疏密性连续变化。考虑到导光板的这种特性,若采用算法对疏密不均的导光点统一处理,难免会造成极大的误检,因此,为了避免这种情况,本发明考虑选择手动分区法来处理导光板图像。
此处手动分区主要基于导光板图像中的导光点疏密性来区分的。将图像按照导光点疏密性手动分为密集区、稀疏区以及中间区三块,利用相同原理但参数不同的方法处理这三块区域。此处用k表示区域序号(如k=1为导光板图像分区后的第一区,即最左区部分),k∈[1,3],以下关于k的解释与本处相同。
9)、对导光板图像分区显示图进行高斯偏导,得到高斯偏导显示图(图9为k=3最右区的高斯偏导显示图);执行步骤10;
此处高斯偏导操作主要用于处理导光板图像中的线划伤缺陷,由于线划伤缺陷冗长,弯曲,高斯偏导操作对于后续线划伤缺陷的提取十分便利。公式如下:
式中fk(x,y)为第k区图像(导光板图像分区显示图)的函数;
10)、对高斯偏导显示图进行掩模处理,得到掩模处理显示图;执行步骤11;
上述步骤中高斯偏导操作处理虽然对线划伤等缺陷的提取十分有利,但不可避免地会干扰导光板图像的边缘区域,受干扰边缘区域的存在将会增加后续检测操作的复杂度以及检测精度的下降,因此,为了避免不利因素的影响,需要剔除这些干扰区域,所谓掩模处理其实就是这个原理。
11)、对掩模处理显示图进行傅里叶正变换,得到傅里叶正变换显示图;执行步骤12;
对步骤10中的导光板第k区图像进行二维离散傅里叶变换,k∈[1,3];变换公式如下:
式中fk(x,y)为第k区(x,y)处的灰度值,Mk和Nk为第k区图像的尺寸,j为虚数,Fk(a,b)为第k区傅里叶变换的结果。
12)、建立正弦形状的带通滤波器;执行步骤13;
为了进一步对图像进行处理,此处产生一个正弦形状的带通滤波器。
带通滤波器原理其实就是选择特定范围内的信号频段,而屏蔽其它频段的信号。带通滤波器的公式如下:
式中字母t为信号频段变量,(t1,t2)为选择的信号频段范围,L(t,s)为带通滤波器信号的函数,g(t,s)为选择到带通滤波器频段。
13)、根据傅里叶变换结果图和带通滤波器进行卷积,得到卷积显示图;执行步骤14;
此处卷积操作就是将步骤11中的傅里叶变换结果图与步骤12中的正弦带通滤波器进行卷积;具体公式如下:
式中f以及g为要卷积的两个部分。
14)、对卷积显示图进行傅里叶逆变换,得到傅里叶逆变换显示图;执行步骤15;
对步骤13得到卷积显示图进行二维离散傅里叶逆变换,变换公式如下:
式中字母解释与步骤11相同;
15)、对傅里叶逆变换显示图进行阈值处理,得到第二次阈值处理显示图;执行步骤16;
此处阈值处理就是对步骤14中的结果进行处理,方法与步骤3相同;
16)、对第二次阈值处理显示图求连通域,得到第二次连通域显示图;执行步骤17;
此处就是对步骤15得到的第二次阈值处理显示图进行处理,方法与步骤4相同;
17)、对第二次连通域显示图进行缺陷提取;执行步骤18;
本发明设置了偏心距以及面积两个参数来提取导光板中的缺陷。
1、偏心距参数:由于缺陷曲线有时具有椭圆曲线光滑,凸状的性质,因此不妨将缺陷曲线等效成椭圆的一段弧长,结合椭圆的性质,求出其长半轴长RA和短半轴长RB,那么偏心距求取公式如下:
As为所要求的偏心距。
2、面积参数:由于缺陷在导光板图像中占据一定的范围,因此根据面积进行提取是一种不错的选择;具体做法如下:首先根据相机的分辨率以及其拍摄的视野范围(相机固定后所能拍摄的最大宽度)确定单个像素的面积,然后计算缺陷包含的像素个数,像素个数乘以单个像素的面积就是缺陷的面积。通过设置不同范围的面积参数来提取不同类型的缺陷,具体参数根据实际情况确定。
18)、缺陷显示;
将步骤17中提取到的缺陷在导光板原图中显示出来。
实验一
1、通过线扫相机采集导光板图像;
2、图像增强;
3、最大类间方差法阈值分割;
Smax=ω1(μ1-μ)2+ω2(μ2-μ)2
式中ω1=N1/(N1+N2),ω2=N2/(N1+N2),μ=ω1×μ1+ω2×μ2。
4、对步骤3结果求连通域;
5、最大面积提取;
Area=max{Si,i=1,2,3,… …}
6、形状转换;
将步骤5中的矩形区域转换成规则矩形区,平滑其四边;
7、灰度值调整;
8、分区处理;
分区处理,就是手动将导光板图像分成密集区,稀疏区以及中间区三块,三块区域的处理方法完全一致,只是相关算子的参数设置略有不同。
9、高斯偏导;
10、掩模处理;
掩模处理其实就是屏蔽次要区域,处理主要区域。
11、傅里叶正变换;
12、产生正弦形状的带通滤波器;
13、图像卷积;
将步骤11中的傅里叶变换结果图与步骤12中的正弦带通滤波器进行卷积;
14、傅里叶逆变换;
15、阈值处理;
此处阈值处理就是对步骤14中的结果进行处理,方法与步骤3相同;
16、求连通域;
此处就是对步骤15中阈值后的结果进行处理,方法与步骤4相同;
17、特征提取;
结合面积以及偏心距进行特征提取,由于导光板图像区域疏密性差异以及不同缺陷的大小形状不一,处理参数略有差别。
18、缺陷显示。
最后,还需要注意的是,以上列举的仅是本发明的若干个具体实施例。显然,本发明不限于以上实施例,还可以有许多变形。本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形,均应认为是本发明的保护范围。
Claims (9)
1.高分辨率的导光板图像缺陷检测方法,其特征在于,包括以下步骤:
1)、采集导光板原图;执行步骤2;
2)、对导光板原图进行图像增强,得到导光板图像增强图;执行步骤3;
3)、对导光板图像增强图采用最大类间方差法进行阈值分割,得到阈值处理显示图;执行步骤4;
4)、对阈值处理显示图求连通域,得到导光板整体连通域求取图;执行步骤5;
5)、对导光板整体连通域求取图进行最大面积提取,得到最大面积提取图;执行步骤6;
6)、对最大面积提取图进行形状转换,得到导光板图像形状转换图;执行步骤7;
7)、对导光板图像形状转换图进行灰度值调整,得到灰度值调整图;执行步骤8;
8)、对灰度值调整图进行分区处理,得到导光板图像分区显示图;执行步骤9;
9)、对导光板图像分区显示图进行高斯偏导,得到高斯偏导显示图;执行步骤10;
10)、对高斯偏导显示图进行掩模处理,得到掩模处理显示图;执行步骤11;
11)、对掩模处理显示图进行傅里叶正变换,得到傅里叶正变换显示图;执行步骤12;
12)、建立正弦形状的带通滤波器;执行步骤13;
13)、根据傅里叶变换结果图和带通滤波器进行卷积,得到卷积显示图;执行步骤14;
14)、对卷积显示图进行傅里叶逆变换,得到傅里叶逆变换显示图;执行步骤15;
15)、对傅里叶逆变换显示图进行阈值处理,得到第二次阈值处理显示图;执行步骤16;
16)、对第二次阈值处理显示图求连通域,得到第二次连通域显示图;执行步骤17;
17)、对第二次连通域显示图进行缺陷提取;执行步骤18;
18)、缺陷显示。
2.根据权利要求1所述的高分辨率的导光板图像缺陷检测方法,其特征在于,步骤2)包括:
式中f(x,y)为导光板原图,f*(x,y)为导光板图像增强图,L(x,y)为导光板原图的低频部分,为导光板原图的灰度均值,M和N为导光板原图的尺寸,Ω(x,y)为导光板原图中以(x,y)为中心的局域窗口,Num为该局域窗口中的像素个数,f(i,j)为局域窗口中(i,j)处的灰度值,L(i,j)为该局域窗口中低频部分在(i,j)处的灰度值。
3.根据权利要求2所述的高分辨率的导光板图像缺陷检测方法,其特征在于,步骤3)包括:
假设导光板输入图像为f(x,y),所要分割的阈值为T,目标区像素点占整幅导光板图像的比例为ω1,目标区的像素点灰度均值为μ1,背景区像素点占整幅导光板图像的比例为ω2,背景区的像素点灰度均值为μ2,整幅图像的灰度均值为μ,类间方差为S,导光板图像增强图中灰度值小于等于T的像素个数为N1,大于T的像素个数为N2,则最大类间方差模型如下:
Smax=ω1(μ1-μ)2+ω2(μ2-μ)2
式中ω1=N1/(N1+N2),ω2=N2/(N1+N2),μ=ω1×μ1+ω2×μ2
分割成前景图像和背景图像后,取前景图像作为阈值处理显示图。
4.根据权利要求3所述的高分辨率的导光板图像缺陷检测方法,其特征在于,步骤6)包括:
对最大面积提取图求取最小外接矩形,得到导光板图像形状转换图。
5.根据权利要求4所述的高分辨率的导光板图像缺陷检测方法,其特征在于,步骤7)包括:
式中fmax(x,y)为f(x,y)中最大灰度值,fmin(x,y)为f(x,y)中最小灰度值,f(x,y)为调整前图像在(x,y)处的灰度值,为调整后图像在(x,y)处的灰度值。
6.根据权利要求5所述的高分辨率的导光板图像缺陷检测方法,其特征在于,步骤9)包括:
式中fk(x,y)为第k区图像的函数。
7.根据权利要求6所述的高分辨率的导光板图像缺陷检测方法,其特征在于,步骤11)包括:
对的导光板第k区图像进行二维离散傅里叶变换,k∈[1,3];变换公式如下:
式中fk(x,y)为第k区(x,y)处的灰度值,Mk和Nk为第k区图像的尺寸,j为虚数,Fk(a,b)为第k区傅里叶变换的结果。
8.根据权利要求7所述的高分辨率的导光板图像缺陷检测方法,其特征在于,步骤14)包括:
对步骤13得到卷积显示图进行二维离散傅里叶逆变换,变换公式如下:
9.根据权利要求8所述的高分辨率的导光板图像缺陷检测方法,其特征在于,步骤17)包括:
设置了偏心距以及面积两个参数来提取导光板中的缺陷;
(1)、偏心距参数:由于缺陷曲线有时具有椭圆曲线光滑,凸状的性质,因此不妨将缺陷曲线等效成椭圆的一段弧长,结合椭圆的性质,求出其长半轴长RA和短半轴长RB,那么偏心距求取公式如下:
As为所要求的偏心距;
(2)、面积参数:由于缺陷在导光板图像中占据一定的范围,因此根据面积进行提取是一种不错的选择;具体做法如下:首先根据相机的分辨率以及其拍摄的视野范围(相机固定后所能拍摄的最大宽度)确定单个像素的面积,然后计算缺陷包含的像素个数,像素个数乘以单个像素的面积就是缺陷的面积,通过设置不同范围的面积参数来提取不同类型的缺陷,具体参数根据实际情况确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810767219.2A CN109102497B (zh) | 2018-07-13 | 2018-07-13 | 高分辨率的导光板图像缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810767219.2A CN109102497B (zh) | 2018-07-13 | 2018-07-13 | 高分辨率的导光板图像缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109102497A true CN109102497A (zh) | 2018-12-28 |
CN109102497B CN109102497B (zh) | 2020-11-24 |
Family
ID=64846265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810767219.2A Active CN109102497B (zh) | 2018-07-13 | 2018-07-13 | 高分辨率的导光板图像缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109102497B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084768A (zh) * | 2019-05-10 | 2019-08-02 | 江南大学 | 基于背景滤波的lcd导光板的缺陷检测方法 |
CN110530894A (zh) * | 2019-06-14 | 2019-12-03 | 杭州舜浩科技有限公司 | 导光板亮点缺陷检测方法 |
CN113189634A (zh) * | 2021-03-02 | 2021-07-30 | 四川新先达测控技术有限公司 | 一种类高斯成形方法 |
CN113777033A (zh) * | 2021-08-18 | 2021-12-10 | 长沙长泰机器人有限公司 | 一种基于机器视觉的生条缺陷检测方法和装置 |
US11823423B2 (en) | 2019-02-25 | 2023-11-21 | Center For Deep Learning In Electronics Manufacturing, Inc. | Methods and systems for compressing shape data for electronic designs |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3491749B2 (ja) * | 1999-06-10 | 2004-01-26 | 株式会社ダン | 丸編生地製品用仕上り検査用具 |
KR20130051726A (ko) * | 2011-11-10 | 2013-05-21 | 엘지디스플레이 주식회사 | 도광판의 휨 불량 판정 시스템 및 이를 이용한 도광판의 휨 불량 판정 방법 |
CN205229061U (zh) * | 2015-11-23 | 2016-05-11 | 苏州鼎纳自动化技术有限公司 | 一种基于线扫描相机的lcd导光板缺陷检测系统 |
-
2018
- 2018-07-13 CN CN201810767219.2A patent/CN109102497B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3491749B2 (ja) * | 1999-06-10 | 2004-01-26 | 株式会社ダン | 丸編生地製品用仕上り検査用具 |
KR20130051726A (ko) * | 2011-11-10 | 2013-05-21 | 엘지디스플레이 주식회사 | 도광판의 휨 불량 판정 시스템 및 이를 이용한 도광판의 휨 불량 판정 방법 |
CN205229061U (zh) * | 2015-11-23 | 2016-05-11 | 苏州鼎纳自动化技术有限公司 | 一种基于线扫描相机的lcd导光板缺陷检测系统 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11823423B2 (en) | 2019-02-25 | 2023-11-21 | Center For Deep Learning In Electronics Manufacturing, Inc. | Methods and systems for compressing shape data for electronic designs |
TWI829875B (zh) * | 2019-02-25 | 2024-01-21 | 美商電子製造之深度學習中心股份有限公司 | 用於壓縮用於電子設計之形狀資料之方法及系統 |
CN110084768A (zh) * | 2019-05-10 | 2019-08-02 | 江南大学 | 基于背景滤波的lcd导光板的缺陷检测方法 |
CN110084768B (zh) * | 2019-05-10 | 2023-06-20 | 江南大学 | 基于背景滤波的lcd导光板的缺陷检测方法 |
CN110530894A (zh) * | 2019-06-14 | 2019-12-03 | 杭州舜浩科技有限公司 | 导光板亮点缺陷检测方法 |
CN110530894B (zh) * | 2019-06-14 | 2022-05-13 | 杭州舜浩科技有限公司 | 导光板亮点缺陷检测方法 |
CN113189634A (zh) * | 2021-03-02 | 2021-07-30 | 四川新先达测控技术有限公司 | 一种类高斯成形方法 |
CN113777033A (zh) * | 2021-08-18 | 2021-12-10 | 长沙长泰机器人有限公司 | 一种基于机器视觉的生条缺陷检测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109102497B (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109102497A (zh) | 高分辨率的导光板图像缺陷检测方法 | |
CN108876768A (zh) | 导光板暗影缺陷检测方法 | |
CN108230324B (zh) | 磁瓦表面微缺陷视觉检测方法 | |
CN109001212A (zh) | 一种基于机器视觉的不锈钢汤勺缺陷检测方法 | |
CN102601063B (zh) | 一种竹片自动识别分级方法 | |
CN109916910B (zh) | 光伏玻璃边部缺陷检测系统及相应的方法 | |
CN107664644B (zh) | 一种基于机器视觉的物件表观自动检测装置及方法 | |
CN109064439B (zh) | 基于分区的单侧入光式导光板暗影缺陷提取方法 | |
CN110296997A (zh) | 基于机器视觉的陶瓷瓦的缺陷检测方法及装置 | |
CN110514665A (zh) | 一种电子产品塑料外壳划痕缺陷的检测方法 | |
CN109685760A (zh) | 一种基于matlab的slm粉床铺粉图像凸包凹陷缺陷检测方法 | |
CN109272525A (zh) | 一种导光板白点缺陷检测方法 | |
CN110852989B (zh) | 瓷砖拍照图片的质量瑕疵检测 | |
CN117095009B (zh) | 一种基于图像处理的pvc装饰板缺陷检测方法 | |
CN110412055B (zh) | 一种基于多光源暗场照明的透镜白雾缺陷检测方法 | |
CN110007493A (zh) | 液晶显示屏中碎亮点检测方法 | |
CN110441321B (zh) | 基于分时曝光图像综合的透明材质内部缺陷检测方法 | |
CN110530894B (zh) | 导光板亮点缺陷检测方法 | |
CN113592811A (zh) | 一种基于图像处理的熔喷布厚度一致性检测方法 | |
CN116485787B (zh) | 一种数据线成型外模外观缺陷检测方法 | |
CN116468689A (zh) | 一种基于灰度特征的瑕疵识别方法 | |
CN109584212A (zh) | 一种基于matlab的slm粉床铺粉图像划痕缺陷识别方法 | |
CN109064451A (zh) | 导光板缺陷检测方法 | |
CN113340915A (zh) | 一种材质光滑均匀的玻璃缺陷检测装置及方法 | |
Pan et al. | Defect detection based on edge detection and connected region filtering algorithm |
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 |