CN109816627B - 平面玻璃元件油墨区弱小缺陷目标检测方法 - Google Patents
平面玻璃元件油墨区弱小缺陷目标检测方法 Download PDFInfo
- Publication number
- CN109816627B CN109816627B CN201811528862.6A CN201811528862A CN109816627B CN 109816627 B CN109816627 B CN 109816627B CN 201811528862 A CN201811528862 A CN 201811528862A CN 109816627 B CN109816627 B CN 109816627B
- Authority
- CN
- China
- Prior art keywords
- area
- image
- target
- ink area
- ink
- 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
Images
Abstract
本发明提出了一种平面玻璃元件油墨区弱小缺陷目标检测方法,识别速度快、准确度高。该方法包括:首先,对大尺寸图像进行首次裁剪,并采用自相关模板匹配算法对油墨区的字符信息进行识别定位,根据定位结果对油墨区的字符和Log信息进行裁剪;其次,对处理后的图像进行二次裁剪,采用类间最大方差法进行二值化后,使用BLOB技术选择面积最大的白色区域在二次裁剪图像中对应的区域为油墨区;然后,使用Sobel算子对油墨区图像的边缘进行检测,裁剪边缘上宽度为100像素的过渡区域,生成仅包含有效弱小缺陷目标的油墨区裁剪图像;最后,使用一维最大熵算法对油墨区图像进行分离,并利用BLOB技术完成各个弱小缺陷目标的识别和检测。
Description
技术领域
本发明涉及一种平面上弱小缺陷目标检测方法。
背景技术
手机屏幕为智能手机的重要组成部分,主要由显示屏,触控板、电路板和玻璃平板[1]组成。手机玻璃平板是一层玻璃片,采用粘贴等方式附着在触控板和显示屏之上,对手机显示屏起到保护作用。由于在手机的生产过程中要考虑到重量、厚度和屏幕的光学特性以及触摸感受等许多因素,所以当前市场上的玻璃平板的厚度大多都控制在0.05cm-0.2cm之间,并且必须极大的提高玻璃表面的平整度和光滑度[2]。因此,手机玻璃面板的缺陷检测就成为影响手机质量的重要因素。生产商为了严格控制生产质量,提高生产效率,必须采用有效的方法对玻璃面板的质量进行检测,以防止瑕疵品流入市场,避免对消费者的利益受到影响。
传统的玻璃平板表面缺陷检测方法是人工检测,工人在强光照射下通过视觉观察产品表面缺陷,对产品进行筛选。在如今大批量生产的情况下,这种方法逐渐暴露出了许多弊端:1)检测速度慢;2)检测标准无法量化;3)生产成本增加。
为了提高手机玻璃面板弱小污点的检测效率和精度,目前设计了基于计算机视觉的玻璃平板表面缺陷检测系统,该系统主要由图像采集、数字图像处理和图像输出三部分组成。1)图像采集部分由CCD相机、镜头、图像采集卡和光源等组成,在光源的照明下,使得玻璃平板表面的损伤点产生散射作用,在CCD的暗场图像上将会观察到对应位置较为明亮的散射光斑[3],从而可以获取缺陷目标的数字图像信息;2)数字图像处理部分主要对所获得的数字图进行处理,主要对图像进行边缘检测[4]、图像分割、模板匹配[5]、BLOB分析[6]等处理;3)图像输出部分用来提取所需的图像特征,包括损伤区域的数量、位置、面积等信息。
为了尽可能使得弱小污点清晰,采用暗场照明、线阵相机逐行扫描的方式进行成像,这将导致图像尺寸(30720×16384)远大于小缺陷目标(3个像素)的尺寸。例如,对于小于10微米的弱小缺陷目标检测,选用分辨率为2微米的线阵CCD相机和环形的LED光源阵列进行成像,使得图像尺寸达到10684×30720像素,图像大小为491M。同时,由于污点处于油墨区,这使得缺陷目标相对于油墨区背景的对比度很低,这导致常见的目标检测方法无法快速有效地实现油墨区弱小缺陷目标的检测。
发明内容
为了解决常规目标检测方法无法快速有效实现油墨区弱小缺陷目标检测的问题,本发明提出了一种平面玻璃元件油墨区弱小缺陷目标检测方法。
本发明的技术方案如下:
首先,对大尺寸图像进行首次裁剪,并采用自相关模板匹配算法对油墨区的字符信息进行识别定位,根据定位结果对油墨区的字符和Log信息进行裁剪;
其次,对处理后的图像进行二次裁剪,采用类间最大方差法进行二值化后,使用BLOB技术选择面积最大的白色区域在二次裁剪图像中对应的区域为油墨区;
然后,使用Sobel算子对油墨区图像的边缘进行检测,裁剪边缘上宽度为100像素的过渡区域,生成仅包含有效弱小缺陷目标的油墨区裁剪图像;
最后,使用一维最大熵算法对油墨区图像进行分离,并利用BLOB技术完成各个弱小缺陷目标的识别和检测。
本发明具有以下有益效果:
本发明中,首先使用模版自相关匹配法对图像进行定位,并根据定位结果对字符区域进行裁剪,减少了对于油墨区的搜寻时间;其次,在使用BLOB技术寻找油墨区后,再对油墨区边缘区域进行裁剪,排除了边缘过渡区域对于搜索弱小目标的影响;最后,使用一维最大熵进行二值化,实现了对油墨区弱小缺陷目标的分离。
实验结果表明,该方法解决了手机盖板平面玻璃元件油墨区弱小缺陷目标的检测问题,且识别速度快、准确度高,能够应用在手机盖板平面玻璃元件的质量和洁净度检测过程中,对提高手机生产装配的质量和效率具有极大的意义。
附图说明
图1为本发明的处理流程图。
图2为原始图像。
图3为初步裁剪上半部分油墨区图像。
图4为目标模板匹配图像。
图5为去除文字图案后的待检测图像。
图6为油墨区搜寻过程;其中,(a)除背景后的二次裁剪图像,(b)二值化图像,(c)上半部分二值化油墨区,(d)在原始图像中裁剪得到的油墨区对应图像,(e)油墨区图像边缘检测结果,(f)最终裁剪的油墨区图像。
图7为使用一维最大熵法分离结果。
图8为缺陷目标检测结果。
具体实施方式
平面玻璃元件缺陷目标的检测需要分区进行检测,分为三部分:1)上半部分油墨区;2)下半部分油墨区;3)中间区域。三部分区域特征有以下特点:a、上半部分油墨区和下部分油墨区特征相似,可以归纳为一类进行处理;b、中间区域的表面材料主要是玻璃,没有覆盖油墨,中间区域特征比较明显,缺陷目标检测方法相对比较简单。
因此,对于缺陷目标的检测重点主要是对油墨区缺陷目标的检测,本发明主要是以上半部分油墨区域为例对平面玻璃元件油墨区的弱小缺陷目标进行检测。
一维最大熵法的原理:
假设在一维图像以t为阈值将图像分割为目标和背景,则图像的总熵为[7]:
H(t)=ln[Pt(1-Pt)]+Ht/Pt+(HT-Ht)/(1-Pt) (1)
式中:Pt表示目标出现的概率;Ht表示目标区域的熵,L1为属性集Q中像素的最小灰度值,L2为属性集Q中像素的最大灰度值,H(t)的最大值对应的t值即为最佳阈值,记为T。以T为阈值,如果大于T,则表示目标,如果小于T,则表示背景。
本发明是一种基于自相关模板匹配[5]和一维最大熵[7]的平面玻璃元件油墨区弱小缺陷目标的检测方法。假设原始图像为f(i,j),图像尺寸为30720×16384,为了检测油墨区的弱小缺陷目标,主要采用图像裁剪、自相关模板匹配法、类间最大方差法、边缘检测、一维最大熵法、BLOB分析等技术,具体处理步骤如下:
1)对上半部分油墨区进行首次裁剪,裁剪图像为
f1(x,y)=f(i,j),0≤i<6000,0≤j<16384 (2)
2)利用自相关模板匹配法,搜寻最佳匹配点a,b,公式如下:
式中,w(s,t)为大小J×L的模板匹配图像,f1(x,y)为首次裁剪大小p×q的二值化图像,其中J=150,L=150,p=10500,q=2000,x=0,1,...,p-Ly=0,1,...,p-J。
3)在裁剪图像f1(x,y)中裁剪字符区域,用公式表示为
4)对首次裁剪图像进行二次裁剪,近一步缩小对油墨区的搜寻范围,用公式表示为
f2(m,n)=f1(x,y),a-4400≤x<a+6100,b-800≤y<b+1200 (5)
5)利用类间最大方差法(OTSU),对二次裁剪图像f2(m,n)进行二值化,用公式表示为
fbin(m,n)=Otsu(f2(m,n)) (6)
为了突出油墨区,对将二值化结果进行取反操作,用公式表示为
fbin_ink(m,n)=255-fbin(m,n) (7)
6)为了获得有效的油墨区,需要对过渡带进行裁剪,沿检测的边沿裁剪一个宽度为100像素的过渡带,用公式表示为
式中,fink(m1,n1)为最终的仅包含有效弱小缺陷目标的油墨区裁剪图像;
7)为了获得最终的缺陷目标,使用一维最大熵法公式(1)进行目标分离,用公式表示为
式中,H(t)为使用一维最大熵法获得的最佳阈值;
8)使用bmlabel函数搜寻在图像fbin_target(m1,n1)上相互连通的像素集合,每一个连通域为一个损伤目标。
ftarget(k)=bmlabel(fbin_target(m1,n1),4) (10)
N为损伤目标个数。再计算每个区域的图像特征参数,包括区域数量、位置中心、面积、水平垂直方向尺寸、能量积分等。
以下结合图1,通过一个实施例来进一步详述本发明。
1数据预处理
为了检测小于10微米的弱小缺陷目标,选用
分辨率为2微米的线阵CCD相机进行成像,使得图像尺寸达到30720×16384像素,图像大小为491M。原始图像如图2所示。
由于图像尺寸太大,在对图像使用模板匹配法进行定位时,搜索时间太长,这样就会极大影响目标检测的效率。因此,需要对原始图像进行初步裁剪,减小使用自相关模板匹配法进行目标定位的搜索区域。初步裁剪区域需要包含上半部分油墨区,初步裁剪结果如图3所示。
在对玻璃平板表面进行缺陷检测时,往往会受到玻璃平板上其他因素如玻璃面板的油墨区、玻璃平板上的品牌字符等都会对检测的结果产生影响。因此,在进行缺陷检测之前,应该对玻璃平板表面的背景边缘和文字图案进行裁剪。
在对上半部分油墨区的文字和Log进行裁剪时,需要找到油墨区和Log的具体位置。通过观察,图5中字符“G”的左上角具有唯一的纹理特征,同时为了减少模板匹配时的计算量,选择大小150×150图像为目标模板匹配图像,如图4所示。
使用公式(1),计算图3每个像素对应的大小为150*150的子图像与图4目标模板匹配图像的相关系数,选择相关系数最大的子图像的左上角的坐标点为最佳匹配点,以本此实验图像为例,计算得到的匹配位置为(7014,4177),记为(a,b)。以(a,b)为基准,裁剪大小为1100×600的字符区域,和大小为840×840的Log区域,去除了文字和Log后的待检测图像如图5所示。
2搜寻油墨区
为了进一步缩小油墨区的搜索范围,以上面步骤获得的P0为基准点,对初步裁剪图像图5在上下左右四个方向进行二次裁剪,获得包含上半部分油墨区的二次裁剪图像大小为10500×2000,结果如图6(a)所示。
为了便于寻找油墨区的连通区域,对去除背景后的二次裁剪图像二值化。同时,为了进一步突出油墨区,将二值化图像按照公式(8)进行取反运算,结果图6(b)所示。
采用BLOB分析法,在图6(b)中寻找最大面积的连通域为上半部分的粗略油墨区如图6(c)所示。根据搜索到的二值化油墨区,在原始图像中图6(a)裁剪得到的油墨区对应图像如图6(d)所示。
观察图6(d),发现油墨区边缘存在一圈比较亮的部分,由于缺陷往往非常细小,如果对该图使用一维最大熵二值化分离时,这一圈过渡区域会对分离的结果产生影响,无法检测到真正的缺陷目标,因此,需要将图6(d)中的边缘过渡区域的亮边裁剪掉。为了裁剪边缘过渡区域,需要对图6(d)先进行二值化处理,再对二值化图像进行边缘检测,边缘检测结果如图6(e)所示。
为了裁剪过渡区域一条细小的亮边,沿油墨区的边缘为图6(e)所示的曲线,将曲线上每个点为中心的大小为100*100的区域的灰度值全部置为0。这样,裁剪掉了图6(d)中宽度为100个像素的过渡边缘区域,最终裁剪的油墨区图像如图6(f)所示。
3缺陷目标分离
经过以上裁剪处理,首先裁剪掉了字符和Log,再裁剪了边缘过渡区域,不但减少了对于油墨区的搜寻时间,而且排除了字符和边缘过渡区域对于搜索弱小目标的影响。为了从最终裁剪的油墨区图像中分离出弱小的污点和缺陷目标,使用一维最大熵法对最终裁剪的油墨区图像进行二值化,即将弱小的缺陷目标从油墨区背景中分离处理,分离结果如图7所示,图中白色的点即为平面玻璃元件油墨区的弱小污点。
4缺陷目标信息提取
在数字图像处理领域中,BLOB分析是对二进制大对象(Binary Large Object,BLOB)图像中的相似特征(如纹理、颜色等)进行分析,搜寻在空间上相互连通的像素集合,即连通域。因此,BLOB分析法原理是对预处理后的图像通过形态学处理和连通性标记分析,将目标物体与背景物体分离出来,进而提取物体特征参数,例如:重心、周长、面积、XY方向尺寸、像素个数等。本文使用BLOB分析法在图7中分离结果图像中搜寻弱小缺陷目标,并提取缺陷目标信息。上半部分油墨区弱小缺陷目标统计信息如表1所示。
表1弱小缺陷目标信息统计(单位:像素)
上面详细分析了玻璃平板上半部分油墨区的检测原理和过程,对于下半部分区域来说,油墨区缺陷目标检测步骤如下:首先,根据基准点(a,b)对下部分油墨区进行裁剪,对裁剪后的图像二值化后搜寻面积最大的区域为下部分油墨区;其次,对油墨区的边缘过渡区域进行裁剪,找到最终裁剪的油墨区图像;然后,使用一维最大熵法进行目标分离;最后,使用BLOB技术搜寻最终的弱小缺陷目标,并提取缺陷目标的统计信息。
对中间部分区域来说,由于没有了文字图案的影响,相对上半部分油墨区和下半部分油墨区的缺陷目标检测步骤有一定程度的简化。平面玻璃盖板中间区域的缺陷目标检测步骤如下:首先,根据基准点(a,b)对中间玻璃区域进行裁剪;然后,使用一维最大熵法对中间区域的缺陷目标进行分离;最后,使用BLOB技术搜寻最终的弱小缺陷目标,并提取缺陷目标的统计信息。
以下对本发明的效果进行分析说明。
a.弱小缺陷目标检测精度分析
对于平面玻璃盖板缺陷目标的检测,分为三个部分,分别为上半部分油墨区,中间部分和下半部分油墨区。对中间部分来说,由于该区域玻璃盖板的材料为玻璃,成像后的目标区域和背景区域对比度高,很容易实现将缺陷目标从背景中分离出来[8]。对于上半部分和下半部分油墨区来说,它们具有相似的特征:1)玻璃表面印刷了一层油墨,且油墨区背景具有一定的灰度,缺陷目标相对油墨区背景对比度低;2)油墨区包含了Log和文字;3)油墨区边缘具有明亮的边缘区域;4)缺陷目标尺寸小,面积都小于40个像素。因此,对于上半部分油墨区和下半部分油墨区缺陷目标的检测,最主要的任务就是分割真正的油墨区,主要包含两个步骤:1)裁剪Log和文字区域;2)裁剪油墨区边缘过渡区域。在生成仅包含有效弱小缺陷目标的油墨区裁剪图像后,就能够使用一维最大熵法快速将缺陷目标从背景中分离出来[8]。以本次实验图像为例,在上半部分油墨区共检测到36个缺陷目标,最大缺陷目标的面积为45个像素,最小缺陷目标面积1个像素。
由于手机玻璃盖板油墨区的实际水平尺寸为7.5厘米,而采用线阵相机成像后,手机玻璃盖板油墨区在图像上的水平尺寸为10500个像素,因此在图像中1个像素对应的手机玻璃油墨区真实的尺寸为7.14微米。最大缺陷目标的面积45像素对应2294平方微米,水平尺寸为49.98微米(7个像素),垂直尺寸为57.12微米(8个像素);最小缺陷目标的面积1个像素对应50.98平方微米,水平方向和垂直方向的尺寸都是7.14微米(1个像素)。通过以上统计,该方法可以检测50.98平方微米(1个像素)的缺陷目标。
为了确定本文方法检测弱小缺陷目标的检测精度,选择2个最有代表性的目标,如图8所示。
从图8可以看出,上半部分油墨区共检测出了36个缺陷目标,图中标识了10个面积最大的缺陷目标,目标3面积最大,为49个像素,约2498平方微米。对目标1来说,实际测量X方向57微米=7.98个像素,实际测量Y方向49微米=6.86个像素,面积为2345平方微米,而使用一维最大熵法检测X方向尺寸为7个像素,Y方向尺寸为7个像素,检测的面积为2294.1平方微米。因此,检测的面积和实际检测面积之比为0.9782,检测准确率为97.82%。对目标2来说,实际测量X方向49微米=6.86个像素,实际测量Y方向49微米=6.86个像素,面积为2400平方微米,而使用一维最大熵法检测X方向尺寸为7个像素,Y方向尺寸为7个像素,检测的面积为2303.7平方微米。因此,检测的面积和实际检测面积之比为0.9599,检测准确率为95.99%。
通过对目标1和目标2的分析,可以看出,该方法所检测到的缺陷目标面积的准确率都大于95%。因此,使用该方法检测缺陷目标的准确率是可靠的和值得信赖的。
b.弱小缺陷目标检测重复精度分析
对于平面玻璃盖板弱小污点目标和缺陷目标的检测,是通过一个在线检测软件系统来实现的[9],实现在流水线上快速地、自动地检测大量的平面玻璃盖板。因此,对于弱小缺陷目标图像的检测精度具有很高的要求。本文选择6幅不同平面玻璃盖板的线阵CCD的采集图像,用来说明该方法检测弱小缺陷目标检测重复精度。6幅图像的上半部分油墨区的检测结果如表2所示。
表2 6幅图像上半部分油墨区的检测结果
通过表2可以看出,使用该方法在第3幅图中没有检测出缺陷目标,通过和原始图像进行对比,发现在该图像的上半部分油墨区的确没有缺陷目标存在,说明该方法在完全没有缺陷的情况下,检测准确率为100%。在其他5幅图像中都检测出了缺陷目标,其中最大缺陷个数80个,最小缺陷个数6个,其中第2幅图中最大目标面积比其他图像的最大目标面积都大,达到786个像素。而最小目标面积除过第6幅为3个像素以外,其他图像的最小目标面积都是1个像素。每幅图像检测时间都小于2.6秒,平均检测时间为2.53秒,在不考虑其他因素的情况下,平均1小时可以检测的平面玻璃盖板3600/2.53=1423个,满足流水线模式下1小时检测1200个玻璃盖板的要求。
为了说明该方法对于弱小缺陷目标的检测精度,将准确率定义为Acci=Acheck/Areal,Acci为第i个缺陷目标的检测准确率,Acheck为缺陷目标的检测面积,Areal为缺陷目标的实际检测面积,将某一幅图像的平均准确率定义为表示面积最大的缺陷目标的检测准确率的平均值。从表2可以看出,因为图3没有缺陷目标,平均准确率为100%,其他5幅图像中最大平均准确率99.5%,最小平均准确率94.6%,6幅图像的平均准确率为97.39%。因此,6幅图像的整体准确率为97.39%,满足了平板玻璃盖板弱小缺陷目标检测对于精度的要求。
c.弱小缺陷目标检测失真率分析
在对平面玻璃元件弱小缺陷目标检测中,弱小缺陷目标检测的失真是衡量缺陷目标检测成功率的重要参数。为了得到本方法检测弱小缺陷目标的失真率,需要对使用本文方法所得到的检测目标和实际标定目标进行比较。以本次实验所选图像为例,在上半部分油墨区中共检测出了36个缺陷目标,通过对原始图像上半部分油墨区进行标定,上本部分油墨区中共标定出了37个缺陷目标,1个弱小目标未检测出。由于油墨区图像属于弱对比度图像,为了将上半部分油墨区的缺陷从背景中分离出来,在裁剪掉字符区域和的边缘过渡区域后,图像背景的平均灰度值为19,有1个弱小目标的对比度很低,最大值灰度值为54,小于一维最大熵法进行二值化的阈值60,导致这1个弱小目标未能检测到,失真目标为1。所以,本次实验上半部分油墨区弱小缺陷检测的准确率为97.3%,失真率仅为2.7%,满足了该方法检测油墨区弱小缺陷目标对于准确率的要求。
综上,该方法解决了手机盖板平面玻璃元件油墨区弱小缺陷目标的检测问题,且识别速度快、准确度高,能够应用在手机盖板平面玻璃元件的质量和洁净度检测过程中,对提高手机生产装配的质量和效率具有极大的意义。
参考文献:
[1]GAO Ru-xin,REN Xin-duo,WU Xian,etal.Research on mobile phonescreen defectdetection system based on image processing[J].Measurement&Control Technology,2017,36(4):26-30.
高如新,任晓朵,吴献,魏爱权.基于图像处理的手机屏幕缺陷检测系统研究[J].测控技术,2017,36(04):26-30.
[2]ZHOU Xiao-feng,WU Chun-yang,etal.Main performance and preparationprocess of glass panel of touch screen mobile phone[J].Modern IndustrialEconomy and Informationization,2016,6(24):77-78.
周晓峰,吴春阳.触摸屏手机玻璃面板的主要性能及制备工艺[J].现代工业经济和信息化,2016,6(24):77-78.
[3]PAN Long-fei,LI Jing,etal.A new type of dark field microscopeimaging system[J].New Technology&New Process,2016,6(24):77-78.
潘龙飞,李静.一种新型的暗场显微镜成像系统[J].新技术新工艺,2017(07):53-54.
[4]TIAN Hao-nan,LI Su-mei.Objective Evaluation Method for ImageQuality Based on Edge Structure Similarity.[J].Acta Optica Sinica,2013,42(1):110-114.
田浩南,李素梅.基于边缘的SSIM图像质量客观评价方法[J].光子学报,2013,42(1):110-114.
[5]ZHANG Zheng,WANG Yan,Digital Image Processing and MachineVision——Visual C++and Matlab Implementation[M].Posts&Telecom Press.
张铮,王艳平等.数字图像处理与机器视觉——Visual C++与Matlab实现[M].人民邮电出版社.2013:428-433.
[6]Zhang Yu-jin.Image project(media),image analysis[M].Beijing:Tsinghua University Press,2005:222-223.
章毓晋.图像工程图像分析(中册第二版)[M].北京:清华大学出版社,2005:222-223.
[7]ZHAO Chun-jiang.Classic demos of digital image processingalgorithm[M].Posts&Telecom Press.
赵春江.数字图像处理算法经典实例[M].北京:人民邮电出版社,2009.
[8]WANG Wen-chao.Research on Key Technologies of Glass DefectDetection System[D].YanshanUniversity,2007.
王文超.玻璃缺陷检测系统关键技术研究[D].秦皇岛:燕山大学,2007.
[9]CHAO Yuan.Research on Key Technology of On-line Detection ofSurface Defects of Semiconductor Chips Based on Machine Vision[D].SoutheastUniversity,2017.
巢渊.基于机器视觉的半导体芯片表面缺陷在线检测关键技术研究[D].东南大学,2017.
Claims (2)
1.平面玻璃元件油墨区弱小缺陷目标检测方法,其特征在于,包括以下步骤:
首先,对大尺寸图像进行首次裁剪;采用自相关模板匹配算法对油墨区的字符信息进行识别定位,根据定位结果对油墨区的字符和Log信息进行裁剪;
其次,对处理后的图像进行二次裁剪,采用类间最大方差法进行二值化后,使用BLOB技术选择面积最大的白色区域在二次裁剪图像中对应的区域为油墨区;
再次,使用Sobel算子对油墨区图像的边缘进行检测,裁剪边缘上宽度为100像素的过渡区域,生成仅包含有效弱小缺陷目标的油墨区裁剪图像;
最后,使用一维最大熵算法对油墨区图像进行分离,并利用BLOB技术完成各个弱小缺陷目标的识别和检测。
2.根据权利要求1所述的平面玻璃元件油墨区弱小缺陷目标检测方法,其特征在于,具体处理步骤如下:
1)对上半部分油墨区进行首次裁剪,裁剪图像为
f1(x,y)=f(i,j),0≤i<6000,0≤j<16384 (2);
2)利用自相关模板匹配法,搜寻最佳匹配点a,b,公式如下:
式中,w(s,t)为大小J×L的模板匹配图像,f1(x,y)为首次裁剪大小p×q的二值化图像,其中J=150,L=150,p=10500,q=2000,x=0,1,...,p-L;y=0,1,...,p-J;
3)在裁剪图像f1(x,y)中裁剪字符区域,用公式表示为
4)对首次裁剪图像进行二次裁剪,近一步缩小对油墨区的搜寻范围
f2(m,n)=f1(x,y),a-4400≤x<a+6100,b-800≤y<b+1200 (5);
5)利用类间最大方差法(OTSU),对二次裁剪图像f2(m,n)进行二值化,用公式表示为
fbin(m,n)=Otsu(f2(m,n)) (6);
对将二值化结果进行取反操作,用公式表示为
fbin_ink(m,n)=255-fbin(m,n) (7);
6)沿检测的边沿裁剪一个宽度为100像素的过渡带,用公式表示为
式中,fink(m1,n1)为最终的仅包含有效弱小缺陷目标的油墨区裁剪图像;
7)为了获得最终的缺陷目标,使用一维最大熵法公式进行目标分离,用公式表示为
式中,H(t)为使用一维最大熵法获得的最佳阈值;
8)使用bwlabel函数搜寻在图像fbin_target(m1,n1)上相互连通的像素集合,每一个连通域为一个损伤目标;
ftarget(k)=bwlabel(fbin_target(m1,n1),4) (10)
N为损伤目标个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811528862.6A CN109816627B (zh) | 2018-12-13 | 2018-12-13 | 平面玻璃元件油墨区弱小缺陷目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811528862.6A CN109816627B (zh) | 2018-12-13 | 2018-12-13 | 平面玻璃元件油墨区弱小缺陷目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109816627A CN109816627A (zh) | 2019-05-28 |
CN109816627B true CN109816627B (zh) | 2021-01-15 |
Family
ID=66601649
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811528862.6A Active CN109816627B (zh) | 2018-12-13 | 2018-12-13 | 平面玻璃元件油墨区弱小缺陷目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109816627B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022110219A1 (zh) * | 2020-11-30 | 2022-06-02 | 京东方科技集团股份有限公司 | 一种显示面板的检测方法、装置及系统 |
CN113537303B (zh) * | 2021-06-24 | 2023-01-06 | 中国科学院西安光学精密机械研究所 | 基于模板匹配的多光学目标快速分类识别方法 |
CN114580522B (zh) * | 2022-02-28 | 2023-08-11 | 中国科学院西安光学精密机械研究所 | 一种基于最小二乘圆拟合法对多光学目标进行识别的方法 |
CN115100104A (zh) * | 2022-05-11 | 2022-09-23 | 厦门微亚智能科技有限公司 | 玻璃油墨区的缺陷检测方法、装置、设备及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102842037A (zh) * | 2011-06-20 | 2012-12-26 | 东南大学 | 一种基于多特征融合的车辆阴影消除方法 |
CN104464078A (zh) * | 2014-12-08 | 2015-03-25 | 深圳怡化电脑股份有限公司 | 通过光变油墨识别损伤钞的方法及系统 |
CN106815819A (zh) * | 2017-01-24 | 2017-06-09 | 河南工业大学 | 多策略粮虫视觉检测方法 |
CN107463895A (zh) * | 2017-07-28 | 2017-12-12 | 中国科学院西安光学精密机械研究所 | 基于邻域向量pca的弱小损伤目标检测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102236784A (zh) * | 2010-05-07 | 2011-11-09 | 株式会社理光 | 屏幕区域检测方法及系统 |
TWI534646B (zh) * | 2013-05-20 | 2016-05-21 | 敖翔科技股份有限公司 | 智慧型弱點圖形診斷方法、系統與電腦可讀取記憶媒體 |
CN103488986B (zh) * | 2013-09-18 | 2016-01-27 | 西安理工大学 | 自适应字符切分及提取方法 |
CN105608457B (zh) * | 2015-12-18 | 2018-12-28 | 湖南华南光电(集团)有限责任公司 | 直方图灰度矩阈值分割法 |
CN106338520A (zh) * | 2016-09-18 | 2017-01-18 | 南京林业大学 | 一种表板为拼板的多层实木复合地板表面缺陷的识别方法 |
CN106918602B (zh) * | 2017-04-13 | 2020-01-31 | 北京海风智能科技有限责任公司 | 一种鲁棒的基于机器视觉的表面缺陷检测方法 |
-
2018
- 2018-12-13 CN CN201811528862.6A patent/CN109816627B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102842037A (zh) * | 2011-06-20 | 2012-12-26 | 东南大学 | 一种基于多特征融合的车辆阴影消除方法 |
CN104464078A (zh) * | 2014-12-08 | 2015-03-25 | 深圳怡化电脑股份有限公司 | 通过光变油墨识别损伤钞的方法及系统 |
CN106815819A (zh) * | 2017-01-24 | 2017-06-09 | 河南工业大学 | 多策略粮虫视觉检测方法 |
CN107463895A (zh) * | 2017-07-28 | 2017-12-12 | 中国科学院西安光学精密机械研究所 | 基于邻域向量pca的弱小损伤目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109816627A (zh) | 2019-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109816627B (zh) | 平面玻璃元件油墨区弱小缺陷目标检测方法 | |
US8139117B2 (en) | Image quality analysis with test pattern | |
CN114140679B (zh) | 一种缺陷融合方法、装置、识别系统及存储介质 | |
CN105447512B (zh) | 一种精粗结合的光学表面缺陷的检测方法及装置 | |
CN112686858A (zh) | 一种手机充电器视觉缺陷检测方法、装置、介质及设备 | |
CN110210448B (zh) | 一种智能人脸皮肤老化程度的识别与评估方法 | |
CN107610085A (zh) | 一种基于计算机视觉的焊点缺陷检测系统 | |
CN109668909A (zh) | 一种玻璃缺陷检测方法 | |
CN104458764B (zh) | 基于大景深条带图像投影的弯曲粗糙表面缺陷鉴别方法 | |
CN108918093B (zh) | 一种滤光片镜面缺陷检测方法、装置及终端设备 | |
US20070116350A1 (en) | Method for detecting the alignment of films for automated defect detection | |
JP2018096908A (ja) | 検査装置及び検査方法 | |
CN109035219A (zh) | 基于bp神经网络的fics金手指缺陷检测系统及检测方法 | |
CN115100191A (zh) | 基于工业检测的金属铸件缺陷识别方法 | |
CN111307819A (zh) | 晶圆边缘缺陷检测系统及方法 | |
CN111122590A (zh) | 一种陶瓷表面缺陷检测装置及检测方法 | |
TWI512284B (zh) | 玻璃氣泡瑕疵檢測系統 | |
CN110648330A (zh) | 摄像头玻璃的缺陷检测方法 | |
CN115100104A (zh) | 玻璃油墨区的缺陷检测方法、装置、设备及可读存储介质 | |
CN115359047A (zh) | 用于pcb板智能焊接的异常缺陷检测方法 | |
KR20160054150A (ko) | 형태학적 영상 처리와 레이블링을 이용한 얼룩 결함 자동 검출 시스템 및 방법 | |
CN107545565B (zh) | 一种太阳能网版检测方法 | |
US11580758B2 (en) | Method for processing image, electronic device, and storage medium | |
CN112129700B (zh) | 一种柔性电路板的图像检测方法及检测装置 | |
KR102114013B1 (ko) | 디스플레이 결함 검출 장치 및 방법 |
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 |