CN109523541A - 一种基于视觉的金属表面细微缺陷检测方法 - Google Patents
一种基于视觉的金属表面细微缺陷检测方法 Download PDFInfo
- Publication number
- CN109523541A CN109523541A CN201811406327.3A CN201811406327A CN109523541A CN 109523541 A CN109523541 A CN 109523541A CN 201811406327 A CN201811406327 A CN 201811406327A CN 109523541 A CN109523541 A CN 109523541A
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- metal surface
- pixel
- access control
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 95
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 239000002184 metal Substances 0.000 title claims abstract description 43
- 229910052751 metal Inorganic materials 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 43
- 239000000047 product Substances 0.000 claims abstract description 21
- 230000011218 segmentation Effects 0.000 claims abstract description 16
- 230000009466 transformation Effects 0.000 claims abstract description 15
- 238000003909 pattern recognition Methods 0.000 claims abstract description 7
- 239000006227 byproduct Substances 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 17
- 238000012706 support-vector machine Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000000717 retained effect Effects 0.000 claims 1
- 238000012216 screening Methods 0.000 claims 1
- 238000012549 training Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000005498 polishing Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 101100117236 Drosophila melanogaster speck gene Proteins 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004438 eyesight Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 229910052738 indium Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004379 myopia Effects 0.000 description 1
- 208000001491 myopia Diseases 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005375 photometry Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 235000014347 soups Nutrition 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于视觉的金属表面细微缺陷检测方法,其包括以下步骤:S1、通过四点光源三维检测系统采集4幅不同光照角度的待测金属表面图像;S2、计算每幅图像对应的光源方向;S3、由梯度信息还原物体表面的曲率图像;S4、对曲率图像依次进行灰度变换、均值滤波的预处理操作;S5、用自动阈值分割法对预处理后的图像进行阈值分割;S6、通过面积特征剔除误判的像素点和可容忍的细微缺陷,判断产品是否存在缺陷;S7、提取缺陷的纹理特征,并通过模式识别对存在缺陷的产品进行分类。本发明解决现有技术中金属表面缺陷检测漏检率高的缺陷,达到快速识别出缺陷产品并对产品进行高效分类的目的。
Description
技术领域
本发明涉及计算机视觉技术领域,更具体地说,涉及一种基于视觉的金属表面细微缺陷检测方法。
背景技术
目前针对抛光金属表面的细微缺陷的自动化检测技术较不成熟,对细微缺陷的漏检率和误检率较高、检测效率较低,主要还是依靠人工来完成对细微缺陷的检测与识别。中国专利“CN102830123B”公开了一种金属板带表面微小缺陷的在线检测方法,该专利从摄像机采集到的彩色图像分离出R、G、B通道图像,分别对应红、绿、蓝光源的反射光强度分布,设计的表面倾角计算方法,可通过R通道图像和B通道图像计算表面倾角分布图,并根据表面倾角分布图检测金属板带表面微小缺陷,G通道图像为介于明暗场照明方式得到的金属板带表面图像,通过该图像可用现有的算法检测金属板带表面的常规缺陷,结合微小缺陷和常规缺陷的检测结果就可以得到金属板带表面完整的缺陷信息。但是,这种方法对于金属表面的细微缺陷的正检测率较低,漏检率较高,且检测方式效率低,检测结果受检测工人的主观因素较大,也会造成严重的漏检和误检。
发明内容
有鉴于此,本发明提供了一种基于视觉的金属表面细微缺陷检测方法,解决现有技术中金属表面缺陷检测漏检率高的缺陷。
一种基于视觉的金属表面细微缺陷检测方法,其具体步骤为:
S1、通过四点光源三维检测系统采集4幅不同光照角度的待测金属表面图像;所述步骤S1中的四点光源三维检测系统采用红光型点光源,所述步骤S2中计算每幅图像对应的光源方向采用的是高光黑球标定法。
S2、计算每幅图像对应的光源方向;
S3、由梯度信息还原物体表面的曲率图像;所述步骤S3的具体过程为:S31、定义N为球体表面上一点的法向量,写成向量形式为:N=(Nx,Ny,Nz)T;S32、求出待测物体表面在点(r,c)处的行梯度分量m等于S33、求出待测物体表面在点(r,c)处的行梯度分量n等于S34、求出待测物体表面点(r,c)处的高斯曲率K为:S35、将图像上每一点的高斯曲率转化为灰度值,得到能清晰反应待测物体表面信息的曲率图像;其中,I表示图像中像素点的亮度,N为表面的单位法向量,L表示光源方向。
S4、对曲率图像依次进行灰度变换、均值滤波的预处理操作;在所述步骤S4中,对曲率图像进行灰度变换采用的是灰度翻转算法,对曲率图像进行均值滤波采用的是掩模为35*35的均值滤波算法。所述步骤S4中,对曲率图像进行灰度变换的具体过程为:灰度翻转将原来呈现暗色的缺陷变为亮色,原来呈现亮色的背景变为暗色。灰度翻转公式如公式:s=L-1-r,式中S表示像素点翻转后的像素值,L=256,r表示像素点原始值。通过翻转变换,每个灰度值将会变成(255-r),从而实现灰度值的变换。所述步骤S4中,对曲率图像进行均值滤波的具体过程为:采用35*35的掩模对灰度翻转后的图像进行均值滤波,将35*35模板内所有像素点灰度值的平均值作为中心像素点的像素值,依次遍历所有像素点,完成对图像的均值滤波。得到趋近于图像背景的理想图片。
S5、用自动阈值分割法对预处理后的图像进行阈值分割;所述步骤S5的具体过程为:S51、将均值滤波后的图像视为背景图像记为J(x,y),原始图像记为O(x,y),n为所有像素点的总个数;S52、求出原始图像与均值滤波后图像每一点的像素灰度差的均值偏移量m,具体为S53、获取预处理后的图像缺陷区域Q(x,y)=O(x,y)≥J(x,y)+m。
S6、通过面积特征剔除误判的像素点和可容忍的细微缺陷,判断产品是否存在缺陷;所述步骤S6的具体过程为:S61、在自动阈值分割后,得到所有图像缺陷区域联合成的一个区域,将不相邻的区域分割开后,得到若干个面积独立的ROI区域;S62、设置区域面积筛选阈值为30个像素单位,将像素单位小于30的ROI区域剔除,保留像素单位大于或等于30的ROI区域作为真实缺陷区域输出;S63、计算真实缺陷区域的面积|area|,如果|area|=0,说明该样品为正品,如果|area|>0,说明该样品为次品。
S7、提取缺陷的纹理特征,并通过模式识别对存在缺陷的产品进行分类。在步骤S7中,对缺陷进行分类采用支持向量机法,其中,该支持向量机法的核函数选取的是径向基SVM函数,G=0.5和惩罚因子C=1.0。
从上述的技术方案可以看出,本发明的有益效果为:本发明利用四点光源三维检测系统采集待测图像并利用梯度信息还原曲率图像,然后对曲率图像预处理后进行阈值分割得到缺陷区域,最后对缺陷区域进行剔除过滤并通过模式识别的方法对存在缺陷的产品进行分类,从而将产品划分为无缺陷产品以及按缺陷类型分类的缺陷产品,解决了现有技术中金属表面缺陷检测漏检率高的缺陷,达到快速识别出缺陷产品并对产品进行高效分类的目的。
附图说明
图1为本发明实施例提供的一种基于视觉的金属表面细微缺陷检测方法的步骤流程图。
图2为步骤S3所得到的高光黑球反射原理图像。
图3为步骤S1所采集得到的图像样品。
图4为步骤S3所得到的曲率图像样品。
图5为步骤S4所得到的均值滤波预处理操作图像样品。
图6为步骤S5所得到的阈值分割图像样品。
图7为步骤S6所得到的缺陷分类图像样品。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所述的附图作简单地介绍,显而易见,下面的描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
具体实施方式
本发明实施例提供了一种基于视觉的金属表面细微缺陷检测方法。
如图1-7所示,本发明实施例所提供的一种基于视觉的金属表面细微缺陷检测方法,其具体步骤为:
S1、通过四点光源三维检测系统采集4幅不同光照角度的待测金属表面图像;所述步骤S1中的四点光源三维检测系统采用红光型点光源,所述步骤S2中计算每幅图像对应的光源方向采用的是高光黑球标定法。
S2、计算每幅图像对应的光源方向;
S3、由梯度信息还原物体表面的曲率图像;所述步骤S3的具体过程为:S31、定义N为球体表面上一点的法向量,写成向量形式为:N=(Nx,Ny,Nz)T;S32、求出待测物体表面在点(r,c)处的行梯度分量m等于S33、求出待测物体表面在点(r,c)处的行梯度分量n等于S34、求出待测物体表面点(r,c)处的高斯曲率K为:S35、将图像上每一点的高斯曲率转化为灰度值,得到能清晰反应待测物体表面信息的曲率图像;其中,I表示图像中像素点的亮度,N为表面的单位法向量,L表示光源方向。
S4、对曲率图像依次进行灰度变换、均值滤波的预处理操作;在所述步骤S4中,对曲率图像进行灰度变换采用的是灰度翻转算法,对曲率图像进行均值滤波采用的是掩模为35*35的均值滤波算法。所述步骤S4中,对曲率图像进行灰度变换的具体过程为:灰度翻转将原来呈现暗色的缺陷变为亮色,原来呈现亮色的背景变为暗色。灰度翻转公式如公式:s=L-1-r,式中S表示像素点翻转后的像素值,L=256,r表示像素点原始值。通过翻转变换,每个灰度值将会变成(255-r),从而实现灰度值的变换。所述步骤S4中,对曲率图像进行均值滤波的具体过程为:采用35*35的掩模对灰度翻转后的图像进行均值滤波,将35*35模板内所有像素点灰度值的平均值作为中心像素点的像素值,依次遍历所有像素点,完成对图像的均值滤波。得到趋近于图像背景的理想图片。
S5、用自动阈值分割法对预处理后的图像进行阈值分割;所述步骤S5的具体过程为:S51、将均值滤波后的图像视为背景图像记为J(x,y),原始图像记为O(x,y),n为所有像素点的总个数;S52、求出原始图像与均值滤波后图像每一点的像素灰度差的均值偏移量m,具体为S53、获取预处理后的图像缺陷区域Q(x,y)=O(x,y)≥J(x,y)+m。
S6、通过面积特征剔除误判的像素点和可容忍的细微缺陷,判断产品是否存在缺陷;所述步骤S6的具体过程为:S61、在自动阈值分割后,得到所有图像缺陷区域联合成的一个区域,将不相邻的区域分割开后,得到若干个面积独立的ROI区域;S62、设置区域面积筛选阈值为30个像素单位,将像素单位小于30的ROI区域剔除,保留像素单位大于或等于30的ROI区域作为真实缺陷区域输出;S63、计算真实缺陷区域的面积|area|,如果|area|=0,说明该样品为正品,如果|area|>0,说明该样品为次品。
S7、提取缺陷的纹理特征,并通过模式识别对存在缺陷的产品进行分类。在步骤S7中,对缺陷进行分类采用支持向量机法,其中,该支持向量机法的核函数选取的是径向基SVM函数,G=0.5和惩罚因子C=1.0。
在本发明实施例中,步骤S1采用的现有的四点光源三维检测系统采集4幅不同光照角度的待检测金属表面图像:中的检测装置,检测的对象是抛光的金属表面,由于抛光金属表面缺陷非常细微且图像采集易受环境影响,需要很高的像素分辨率来满足检测要求,像素精度需要达2um-3um。检测装置中,采集图像的相机采用面阵400万像素CMOS相机,分辨率为2048像素×2048像素,每个像素尺寸为5.5um×5.5um。镜头采用OPTART-M2-65镜头,其工作距离为35dm,光学放大倍率为2×。光源采用红光点光源构成四光源系统,同时使用雅马哈机械手作为运动控制。步骤S2中计算每幅图像对应的光源方向:计算该光照模型下黑球表面的反射亮斑处的表面法向量N0,并由几何关系L0=2(N·V)V-V得出光源的单位方向向量L0.定义I0表示图像中像素点的亮度,由朗伯体反射模型有:I0=ρN0L0。步骤S3中,由步骤2得到出的图像的亮度信息计算梯度信息和物体表面法向场,再由表面法向场还原物体表面信息进而得到能清晰反应待测物体表面信息的曲率图像。
步骤S3的具体过程为:提取点光源中高光黑球的圆形轮廓,如图2绿线所示,计算该圆形轮廓的的半径r和圆心(u0,v0)并计算反射亮斑的重心坐标(ud,vd),如图2所示。反射亮斑处的表面法向量为:式中因为相机距反射面较远,视场范围较小,故反射光线的方向向量V可认为近视竖直向上。由图2的几何关系可以得出光源的单位方向向量为:L=2(N·V)V-V;根据朗伯体反射模型有:I0=ρN0L0,式中I0表示图像中像素点的亮度,N0为表面的单位法向量,L0表示光源方向。
本系统采用四光源光度立体法,通过增加一个约束条件,可以更准确的求解待测对象的表面梯度。定义N为物体表面上一点的法向量,写成向量形式为:N=(Nx,Ny,Nz)T。则I0=ρN0L0是关于N的各个分量的线性方程组。已知四个点光源对应的四个图像的亮度值为I=(I1,I2,I3,I4),四个光源方向为
则有物体表面某一点在不同光源下由相机拍摄的四幅图像中,该像素点的反射光亮度为一个线性方程组:
写成矩阵形式为:
该式为超定线性方程组,可由最小二乘法求解,即
则有
待测物体表面的高斯曲率信息能有效的反映物体表面的细微缺陷,可以通过待测物体表面的梯度信息f(r,c)和高斯导数卷积[22,23]来求解物体表面的高斯曲率K。其中梯度信息f(r,c)可由公式求解:f(r,c)=(u(r,c),v(r,c))式中r表示图像中某一点列坐标,c表示图像中的某一点行坐标,u(r,c)待测物体表面在点(r,c)处的行梯度分量,其值等于m,v(r,c)待测物体表面在点(r,c)处的列梯度分量,其值等于n,则有待测物体表面点(r,c)处的高斯曲率为:
将图像上每一点的高斯曲率转化为灰度值,得到能清晰反应待测物体表面信息的曲率图像,再做进一步的图像处理。
步骤S7的工作原理是:SVM的基本思想是找到一个能将两类样本分离并使两类样本的分类间隔最大的最优分类面。求间隔最大的分类超平面的步骤表示如下:设训练样本为其中xi是输入模式的第i个样本,yi∈{-1,+1},超平面方程是:w·xi+b=0公式中,w是超平面法向量,b是超平面方程的常数项。如果样本可分,可满足以下条件:yi(w·xi+b)≥1,i=1,2,···,N由公式可知,分类间隔为2||w||-1。
将上述问题转化为成约束优化问题,表示如下:
我们使用拉格朗日对偶性求解上述问题,拉格朗日函数公式为:
其中,αi是拉格朗日乘子且αi≥0。
根据拉格朗日对偶性,最初的问题转化成了求极大极小值的问题:
具体求解过程如下:
(1)求解函数L(w,b,α)对w,b求偏导,并令它们等于0,有:
从而可以得到:
(2)求对α的极值。
求极大问题转化为求极小问题,进一步等价转换为
通过相关参数计算,最优判别函数为:
在本发明实施例中,本发明利用步骤S1中的现有四点光源三维检测系统采集待测图像并利用梯度信息还原曲率图像,得到的高斯曲率图像能清晰反应高亮金属表面的细微缺陷信息,能有效的避免反光和金属表面成像的问题;利用步骤S2对曲率图像预处理后进行阈值分割得到缺陷区域,对曲率图像进行灰度变换后,能增大缺陷与金属表面背景区域的差异。通过滤波处理后,背景中的细微纹理信息变得模糊,能大大的较小对细微缺陷检测的干扰。通过本文自适应阈值分割后,能将缺陷区域与背景区域分离,提取出缺陷区域,做进一步计算。利用步骤S6-S7对缺陷区域进行剔除过滤并通过模式识别的方法对存在缺陷的产品进行分类,计算未连通的各个区域的面积,设置阈值,剔除面积值小于阈值的缺陷,能有效的去除被误判为缺陷的像素点,这些像素点通常不连通却面积较小,会对缺陷检测造成误差。步骤S7通过支持向量机的方法,设置合理的参数和核函数,将提取的缺陷特征数据输入支持向量机实现对缺陷的分类,分类准确率结果如下表1:
表1 C=1.0,G=0.5时SVM分类效果
由表1可知,本发明通过上述方法达到快速识别出缺陷产品并对产品进行高效分类的目的。
步骤S7的具体求解过程为:
(1)求解
函数L(w,b,α)对w,b求偏导,并令它们等于0,有:
从而可以得到:
(2)求对α的极值:
求极大问题转化为求极小问题,进一步等价转换为
通过相关参数计算,最优判别函数为:
即为二分类的分类超平面。
(3):确定核函数
本设计选用径向基核函数作为SVM分类器的核函数,径向基函数(RBF)表达式为:
K(xi,yj)=exp(-||γxi-yj||2)
(4):参数选择
参数G和惩罚因子C是径向基核函数的两个重要参数,它们直接决定分类器性能的好坏。为了得到最优参数,本文采用二分法进行实验,通过实验验证,当C=1.0,G=0.5分类效果最优。
(5):训练分类器
选用200个已经标注好缺陷类型的图像数据集作为训练集输入到支持向量机中进行分类训练,并进行人工的校正分类结果。通过训练后的支持向量机可实现对测试集缺陷样品的分类。
(6):分类实验
将提实验取到的缺陷特征数据,进行标准0-1变换的数据归一化处理。经过标准0-1变换处理后的数据,标准值均在[0,1]范围内,正、逆向指标均化为正向指标时,最优值为1,最劣值为0,值越大越优。当某个指标的值全部相等时,不能用此方法对该指标进行标准化处理。将标准化处理后的特征数据,输入已经训练好的支持向量机中,即可实现缺陷分类。
显然,本发明采用了光度立体视觉技术实现表面信息重构;但是,现有的技术采用的是红、绿、蓝三种不同颜色的条形光源,采集三RGB个通道的图像,并对每一幅图像分别进行相应处理得到相应的缺陷,再将缺陷整合成一个缺陷集合作为该表面的缺陷;而本发明是通过四个红光点光源进行打光,采集4幅不同光照角度的待测金属表面图像,采用高光黑球标定法计算光照角度,通过光度立体法直接拟合出金属表面的高斯曲率图像,目的在于高斯曲率图像能清晰的反应金属表面的细节信息,可避免高亮金属表面反光和成像的问题,通过对高斯曲率图像进行处理,可大大提到缺陷检测的准确率,本发明平均检测检测一个汤勺图片的时间为1.655秒,检测速率比现有技术更高。因此,本发明利用四点光源三维检测系统采集待测图像并利用梯度信息还原曲率图像,然后对曲率图像预处理后进行阈值分割得到缺陷区域,最后对缺陷区域进行剔除过滤并通过模式识别的方法对存在缺陷的产品进行分类,从而将产品划分为无缺陷产品以及按缺陷类型分类的缺陷产品,解决现有技术中金属表面缺陷检测漏检率高的缺陷,达到快速识别出缺陷产品并对产品进行高效分类的目的。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分相互参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种基于视觉的金属表面细微缺陷检测方法,其特征在于,其具体步骤为:
S1、通过四点光源三维检测系统采集4幅不同光照角度的待测金属表面图像;
S2、计算每幅图像对应的光源方向;
S3、由梯度信息还原物体表面的曲率图像;
S4、对曲率图像依次进行灰度变换、均值滤波的预处理操作;
S5、用自动阈值分割法对预处理后的图像进行阈值分割;
S6、通过面积特征剔除误判的像素点和可容忍的细微缺陷,判断产品是否存在缺陷;
S7、提取缺陷的纹理特征,并通过模式识别对存在缺陷的产品进行分类。
2.如权利要求1所述的一种基于视觉的金属表面细微缺陷检测方法,其特征在于,所述步骤S1中的四点光源三维检测系统采用红光型点光源,所述步骤S2中计算每幅图像对应的光源方向采用的是高光黑球标定法。
3.如权利要求1所述的一种基于视觉的金属表面细微缺陷检测方法,其特征在于,所述步骤S3的具体过程为:
S31、定义N为球体表面上一点的法向量,写成向量形式为:N=(Nx,Ny,Nz)T;
S32、求出待测物体表面在点(r,c)处的行梯度分量m等于
S33、求出待测物体表面在点(r,c)处的行梯度分量n等于
S34、求出待测物体表面点(r,c)处的高斯曲率K为:
S35、将图像上每一点的高斯曲率转化为灰度值,得到能清晰反应待测物体表面信息的曲率图像;其中,I表示图像中像素点的亮度,N为表面的单位法向量,L表示光源方向。
4.如权利要求1所述的一种基于视觉的金属表面细微缺陷检测方法,其特征在于,在所述步骤S4中,对曲率图像进行灰度变换采用的是灰度翻转算法,对曲率图像进行均值滤波采用的是掩模为35*35的均值滤波算法。
5.如权利要求4所述的一种基于视觉的金属表面细微缺陷检测方法,其特征在于,所述步骤S4中,对曲率图像进行灰度变换的具体过程为:灰度翻转将原来呈现暗色的缺陷变为亮色,原来呈现亮色的背景变为暗色。灰度翻转公式如公式:s=L-1-r,式中S表示像素点翻转后的像素值,L=256,r表示像素点原始值。通过翻转变换,每个灰度值将会变成(255-r),从而实现灰度值的变换。
6.如权利要求4所述的一种基于视觉的金属表面细微缺陷检测方法,其特征在于,所述步骤S4中,对曲率图像进行均值滤波的具体过程为:采用35*35的掩模对灰度翻转后的图像进行均值滤波,将35*35模板内所有像素点灰度值的平均值作为中心像素点的像素值,依次遍历所有像素点,完成对图像的均值滤波。得到趋近于图像背景的理想图片。
7.如权利要求1所述的一种基于视觉的金属表面细微缺陷检测方法,其特征在于,所述步骤S5的具体过程为:
S51、将均值滤波后的图像视为背景图像记为J(x,y),原始图像记为O(x,y),n为所有像素点的总个数;
S52、求出原始图像与均值滤波后图像每一点的像素灰度差的均值偏移量m,具体为
S53、获取预处理后的图像缺陷区域Q(x,y)=O(x,y)≥J(x,y)+m。
8.如权利要求1所述的一种基于视觉的金属表面细微缺陷检测方法,其特征在于,所述步骤S6的具体过程为:
S61、在自动阈值分割后,得到所有缺陷联合成的一个区域,将不相邻的区域分割开后,得到若干个面积独立的ROI区域;
S62、设置区域面积筛选阈值为30个像素单位,将像素单位小于30的ROI区域剔除,保留像素单位大于或等于30的ROI区域作为真实缺陷区域输出;
S63、计算真实缺陷区域的面积|area|,如果|area|=0,说明该样品为正品,如果|area|>0,说明该样品为次品。
9.如权利要求1所述的一种基于视觉的金属表面细微缺陷检测方法,其特征在于,在步骤S7中,对缺陷进行分类采用支持向量机法,其中,该支持向量机法的核函数选取的是径向基SVM函数,G=0.5和惩罚因子C=1.0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811406327.3A CN109523541A (zh) | 2018-11-23 | 2018-11-23 | 一种基于视觉的金属表面细微缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811406327.3A CN109523541A (zh) | 2018-11-23 | 2018-11-23 | 一种基于视觉的金属表面细微缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109523541A true CN109523541A (zh) | 2019-03-26 |
Family
ID=65777457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811406327.3A Pending CN109523541A (zh) | 2018-11-23 | 2018-11-23 | 一种基于视觉的金属表面细微缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109523541A (zh) |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110186929A (zh) * | 2019-04-24 | 2019-08-30 | 南京邮电大学 | 一种实时的产品瑕疵定位方法 |
CN110189290A (zh) * | 2019-04-08 | 2019-08-30 | 广东工业大学 | 基于深度学习的金属表面细微缺陷检测方法及装置 |
CN110288584A (zh) * | 2019-06-27 | 2019-09-27 | 常州固高智能装备技术研究院有限公司 | 基于机器视觉的陶瓷热浸镀铝表面缺陷检测方法及装置 |
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 |
CN110728282A (zh) * | 2019-10-11 | 2020-01-24 | 哈尔滨理工大学 | 基于动态测量的自适应标定方法 |
CN111879791A (zh) * | 2020-07-30 | 2020-11-03 | 西湖大学 | 一种图案表面凸起特征增强的机器视觉系统及方法 |
CN111896550A (zh) * | 2020-03-31 | 2020-11-06 | 广西师范大学 | 一种表面缺陷检测装置及方法 |
CN111951239A (zh) * | 2020-08-04 | 2020-11-17 | 上海微亿智造科技有限公司 | 过标过检方法及系统 |
CN112233109A (zh) * | 2020-11-05 | 2021-01-15 | 北京理工大学 | 一种抗可见光干扰的金属上料视觉分拣方法 |
CN112308832A (zh) * | 2020-10-29 | 2021-02-02 | 常熟理工学院 | 一种基于机器视觉的轴承质量检测方法 |
CN112547536A (zh) * | 2020-11-20 | 2021-03-26 | 广东工业大学 | 一种led芯片分拣系统和方法 |
CN112669318A (zh) * | 2021-03-17 | 2021-04-16 | 上海飞机制造有限公司 | 表面缺陷检测方法、装置、设备及存储介质 |
CN112734756A (zh) * | 2021-03-29 | 2021-04-30 | 惠州高视科技有限公司 | 基于光度立体视觉的检测方法及系统 |
CN112858318A (zh) * | 2021-04-26 | 2021-05-28 | 惠州高视科技有限公司 | 屏幕异物缺陷与灰尘的区分方法、电子设备及存储介质 |
CN112991251A (zh) * | 2019-11-29 | 2021-06-18 | 合肥欣奕华智能机器有限公司 | 一种表面缺陷检测的方法、装置及设备 |
CN113658155A (zh) * | 2021-08-24 | 2021-11-16 | 凌云光技术股份有限公司 | 一种基于光度立体的物体表面瑕疵检测分析方法及装置 |
CN113793337A (zh) * | 2021-11-18 | 2021-12-14 | 汶上海纬机车配件有限公司 | 基于人工智能的机车配件表面异常程度评估方法 |
CN113935991A (zh) * | 2021-12-13 | 2022-01-14 | 浙江托普云农科技股份有限公司 | 玉米横截面参数测量方法、系统、电子设备及可存储介质 |
CN114240990A (zh) * | 2021-12-07 | 2022-03-25 | 电子科技大学 | Sar图像点目标分割方法 |
CN114354631A (zh) * | 2022-01-12 | 2022-04-15 | 绍兴职业技术学院 | 一种基于视觉的阀门毛坯表面缺陷检测方法 |
CN114972892A (zh) * | 2022-07-12 | 2022-08-30 | 山东嘉通专用汽车制造有限公司 | 基于计算机视觉的汽车刹车片缺陷分类方法 |
CN115436488A (zh) * | 2022-08-31 | 2022-12-06 | 南京智慧基础设施技术研究院有限公司 | 一种基于视觉与声纹融合的自引导自调适移动检测系统及方法 |
CN115731228A (zh) * | 2022-11-30 | 2023-03-03 | 杭州数途信息科技有限公司 | 一种镀金芯片缺陷检测系统和方法 |
CN115980059A (zh) * | 2022-12-21 | 2023-04-18 | 中科慧远视觉技术(北京)有限公司 | 表面缺陷检测系统及其检测方法、装置、设备、存储介质 |
CN117314902A (zh) * | 2023-11-28 | 2023-12-29 | 苏州金陵共创体育器材有限公司 | 一种篮球地板表面平整性视觉检测方法 |
CN117975434A (zh) * | 2024-04-01 | 2024-05-03 | 泉州装备制造研究所 | 一种基于光度立体的包装盒压印信息识别方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102779354A (zh) * | 2012-06-21 | 2012-11-14 | 北京工业大学 | 基于光度立体技术的中医望诊信息表面三维重建方法 |
CN103593670A (zh) * | 2013-10-14 | 2014-02-19 | 浙江工业大学 | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 |
US20150355102A1 (en) * | 2014-06-09 | 2015-12-10 | Keyence Corporation | Image Inspection Apparatus, Image Inspection Method, Image Inspection Program, Computer-Readable Recording Medium And Recording Device |
CN107607546A (zh) * | 2017-09-19 | 2018-01-19 | 佛山缔乐视觉科技有限公司 | 基于光度立体视觉的皮革缺陷检测方法、系统及装置 |
-
2018
- 2018-11-23 CN CN201811406327.3A patent/CN109523541A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102779354A (zh) * | 2012-06-21 | 2012-11-14 | 北京工业大学 | 基于光度立体技术的中医望诊信息表面三维重建方法 |
CN103593670A (zh) * | 2013-10-14 | 2014-02-19 | 浙江工业大学 | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 |
US20150355102A1 (en) * | 2014-06-09 | 2015-12-10 | Keyence Corporation | Image Inspection Apparatus, Image Inspection Method, Image Inspection Program, Computer-Readable Recording Medium And Recording Device |
CN107607546A (zh) * | 2017-09-19 | 2018-01-19 | 佛山缔乐视觉科技有限公司 | 基于光度立体视觉的皮革缺陷检测方法、系统及装置 |
Non-Patent Citations (9)
Title |
---|
佟帅等: "基于视觉的三维重建技术综述", 《计算机应用研究》 * |
吴静静等: "一种基于meanshift的多通道图像分割算法", 《包装工程》 * |
唐玮: "基于机器视觉的曲面工件表面缺陷检测方法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
徐科等: "基于多点光源的金属表面三维缺陷检测方法", 《中国科技论文》 * |
李正周等: "基于均值偏移的灰度图像分割方法", 《光子学报》 * |
石甜: "基于2D/3D复合机器视觉的三维钢轨表面缺陷检测技术研究", 《中国博士学位论文全文数据库(工程科技Ⅱ辑)》 * |
胡慧君: "带钢缺陷图像分类中的智能算法研究", 《中国博士学位论文全文数据库 (信息科技辑)》 * |
郭慧等: "基于支持向量机的钢板表面缺陷检测", 《东华大学学报(自然科学版)》 * |
黄秀玲等: "基于四光源光度立体法的药品泡罩包装中铝箔缺陷检测方法", 《包装学报》 * |
Cited By (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110189290A (zh) * | 2019-04-08 | 2019-08-30 | 广东工业大学 | 基于深度学习的金属表面细微缺陷检测方法及装置 |
CN110186929A (zh) * | 2019-04-24 | 2019-08-30 | 南京邮电大学 | 一种实时的产品瑕疵定位方法 |
CN110288584B (zh) * | 2019-06-27 | 2023-06-23 | 常州固高智能装备技术研究院有限公司 | 基于机器视觉的陶瓷热浸镀铝表面缺陷检测方法及装置 |
CN110288584A (zh) * | 2019-06-27 | 2019-09-27 | 常州固高智能装备技术研究院有限公司 | 基于机器视觉的陶瓷热浸镀铝表面缺陷检测方法及装置 |
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 |
CN110728282A (zh) * | 2019-10-11 | 2020-01-24 | 哈尔滨理工大学 | 基于动态测量的自适应标定方法 |
CN112991251A (zh) * | 2019-11-29 | 2021-06-18 | 合肥欣奕华智能机器有限公司 | 一种表面缺陷检测的方法、装置及设备 |
CN112991251B (zh) * | 2019-11-29 | 2023-01-17 | 合肥欣奕华智能机器股份有限公司 | 一种表面缺陷检测的方法、装置及设备 |
CN111896550A (zh) * | 2020-03-31 | 2020-11-06 | 广西师范大学 | 一种表面缺陷检测装置及方法 |
CN111879791A (zh) * | 2020-07-30 | 2020-11-03 | 西湖大学 | 一种图案表面凸起特征增强的机器视觉系统及方法 |
CN111951239A (zh) * | 2020-08-04 | 2020-11-17 | 上海微亿智造科技有限公司 | 过标过检方法及系统 |
CN112308832A (zh) * | 2020-10-29 | 2021-02-02 | 常熟理工学院 | 一种基于机器视觉的轴承质量检测方法 |
CN112308832B (zh) * | 2020-10-29 | 2022-07-22 | 常熟理工学院 | 一种基于机器视觉的轴承质量检测方法 |
CN112233109A (zh) * | 2020-11-05 | 2021-01-15 | 北京理工大学 | 一种抗可见光干扰的金属上料视觉分拣方法 |
CN112233109B (zh) * | 2020-11-05 | 2022-10-14 | 北京理工大学 | 一种抗可见光干扰的金属上料视觉分拣方法 |
CN112547536B (zh) * | 2020-11-20 | 2022-12-16 | 广东工业大学 | 一种led芯片分拣系统和方法 |
CN112547536A (zh) * | 2020-11-20 | 2021-03-26 | 广东工业大学 | 一种led芯片分拣系统和方法 |
CN112669318A (zh) * | 2021-03-17 | 2021-04-16 | 上海飞机制造有限公司 | 表面缺陷检测方法、装置、设备及存储介质 |
CN112669318B (zh) * | 2021-03-17 | 2021-06-08 | 上海飞机制造有限公司 | 表面缺陷检测方法、装置、设备及存储介质 |
CN112734756B (zh) * | 2021-03-29 | 2021-08-06 | 高视科技(苏州)有限公司 | 基于光度立体视觉的检测方法及系统 |
CN112734756A (zh) * | 2021-03-29 | 2021-04-30 | 惠州高视科技有限公司 | 基于光度立体视觉的检测方法及系统 |
CN112858318A (zh) * | 2021-04-26 | 2021-05-28 | 惠州高视科技有限公司 | 屏幕异物缺陷与灰尘的区分方法、电子设备及存储介质 |
CN113658155A (zh) * | 2021-08-24 | 2021-11-16 | 凌云光技术股份有限公司 | 一种基于光度立体的物体表面瑕疵检测分析方法及装置 |
CN113793337A (zh) * | 2021-11-18 | 2021-12-14 | 汶上海纬机车配件有限公司 | 基于人工智能的机车配件表面异常程度评估方法 |
CN113793337B (zh) * | 2021-11-18 | 2022-02-08 | 汶上海纬机车配件有限公司 | 基于人工智能的机车配件表面异常程度评估方法 |
CN114240990B (zh) * | 2021-12-07 | 2023-04-28 | 电子科技大学 | Sar图像点目标分割方法 |
CN114240990A (zh) * | 2021-12-07 | 2022-03-25 | 电子科技大学 | Sar图像点目标分割方法 |
CN113935991A (zh) * | 2021-12-13 | 2022-01-14 | 浙江托普云农科技股份有限公司 | 玉米横截面参数测量方法、系统、电子设备及可存储介质 |
CN114354631A (zh) * | 2022-01-12 | 2022-04-15 | 绍兴职业技术学院 | 一种基于视觉的阀门毛坯表面缺陷检测方法 |
CN114972892A (zh) * | 2022-07-12 | 2022-08-30 | 山东嘉通专用汽车制造有限公司 | 基于计算机视觉的汽车刹车片缺陷分类方法 |
CN115436488A (zh) * | 2022-08-31 | 2022-12-06 | 南京智慧基础设施技术研究院有限公司 | 一种基于视觉与声纹融合的自引导自调适移动检测系统及方法 |
CN115436488B (zh) * | 2022-08-31 | 2023-12-15 | 南京智慧基础设施技术研究院有限公司 | 一种基于视觉与声纹融合的自引导自调适移动检测系统及方法 |
CN115731228A (zh) * | 2022-11-30 | 2023-03-03 | 杭州数途信息科技有限公司 | 一种镀金芯片缺陷检测系统和方法 |
CN115731228B (zh) * | 2022-11-30 | 2023-08-18 | 杭州数途信息科技有限公司 | 一种镀金芯片缺陷检测系统和方法 |
CN115980059A (zh) * | 2022-12-21 | 2023-04-18 | 中科慧远视觉技术(北京)有限公司 | 表面缺陷检测系统及其检测方法、装置、设备、存储介质 |
CN115980059B (zh) * | 2022-12-21 | 2023-12-15 | 中科慧远视觉技术(洛阳)有限公司 | 表面缺陷检测系统及其检测方法、装置、设备、存储介质 |
CN117314902A (zh) * | 2023-11-28 | 2023-12-29 | 苏州金陵共创体育器材有限公司 | 一种篮球地板表面平整性视觉检测方法 |
CN117314902B (zh) * | 2023-11-28 | 2024-01-30 | 苏州金陵共创体育器材有限公司 | 一种篮球地板表面平整性视觉检测方法 |
CN117975434A (zh) * | 2024-04-01 | 2024-05-03 | 泉州装备制造研究所 | 一种基于光度立体的包装盒压印信息识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109523541A (zh) | 一种基于视觉的金属表面细微缺陷检测方法 | |
CN111612737B (zh) | 一种人造板表面瑕疵检测装置及检测方法 | |
TWI399534B (zh) | And a defect inspection device for performing defect inspection using image analysis | |
CN109001212A (zh) | 一种基于机器视觉的不锈钢汤勺缺陷检测方法 | |
CN110044405B (zh) | 一种基于机器视觉的汽车仪表自动化检测装置及方法 | |
CN110108711A (zh) | 圆环侧壁缺陷的视觉检测系统 | |
CN108445007A (zh) | 一种基于图像融合的检测方法及其检测装置 | |
CN111047655B (zh) | 基于卷积神经网络的高清摄像机布料疵点检测方法 | |
EP0686842A2 (en) | Lens inspection system and method | |
KR20170139590A (ko) | 콜로니 콘트라스트 수집 | |
JP2009524884A (ja) | 画像内の照明域を識別する方法及びシステム | |
CN113109348B (zh) | 一种基于机器视觉的桨影移印缺陷识别方法 | |
CN106501272B (zh) | 机器视觉焊锡定位检测系统 | |
CN110057841A (zh) | 一种基于透射结构光的缺陷检测方法 | |
CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN114136975A (zh) | 一种微波裸芯片表面缺陷智能检测系统和方法 | |
CN107525768B (zh) | 一种dna倍体分析设备的质量控制方法 | |
CN111551350A (zh) | 一种基于U_Net网络的光学镜片表面划痕检测方法 | |
CN114705686A (zh) | 圆柱锅表面缺陷检测方法、系统、控制器及工控机 | |
CN110514665A (zh) | 一种电子产品塑料外壳划痕缺陷的检测方法 | |
CN110186937A (zh) | 剔除灰尘影响的镜面物体表面二维缺陷检测方法及系统 | |
CN114577805A (zh) | 一种MiniLED背光面板缺陷检测方法及装置 | |
CN114119591A (zh) | 一种显示屏画面质量检测方法 | |
CN115601296A (zh) | 一种基于深度学习的表面缺陷检测装置及检测方法 | |
CN111879789A (zh) | 金属表面缺陷检测方法及系统 |
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 | ||
AD01 | Patent right deemed abandoned | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240119 |