CN109916923A - 一种基于机器视觉的定制板件自动缺陷检测方法 - Google Patents

Abstract

一种基于机器视觉的定制板件自动缺陷检测方法，其具体流程为：在正式生产前将检测模板和板件数据输入系统，其数据包括：生产板件的尺寸、孔位、花色及封边数据；正式生产时板件通过CCD视觉检测系统时，由CCD视觉检测系统完成板件表面检测并反馈出检测结果，系统通过对比输入系统的检测模板和板件数据对检测结果分析，最终确认板件是否为故障板件。

Description

一种基于机器视觉的定制板件自动缺陷检测方法

技术领域

本发明涉及计算机视觉领域，具体是一种基于机器视觉的定制板件自动缺陷检测方法。

背景技术

随着中国消费持续升级，用户和生产企业对产品质量的要求越来越高，但是，在制造产品的过程中，缺陷又往往是不可避免的。产品缺陷不仅影响产品的美观和舒适度，而且一般也会对其使用性能带来不良影响，所以生产企业对产品的缺陷检测非常重视，以便及时发现，从而有效控制产品质量，还可以根据检测结果分析生产工艺中存在的某些问题，从而杜绝或减少缺陷品的产生，同时防止潜在的贸易纠份，维护企业荣誉。

当前，国内正对板式家具行业的板件检测基本采用人工抽检或全检的方式进行检测。目前板式家具定制行业传统的质量检测存在以下缺陷：

1、抽检方法，抽检率低、准确性不高、实时性差；

2、全检方法，工人劳动强度大，不能实现整体自动化生产；

3、受人工经验和主观因素的影响大。

发明内容

为了克服以上背景技术中的缺点，故提出以下发明。

所述一种基于机器视觉的定制板件自动缺陷检测方法，其具体流程为：在正式生产前将检测模板和板件数据输入系统，其数据包括：生产板件的尺寸、孔位、花色及封边数据；正式生产时板件通过CCD视觉检测系统时，由CCD视觉检测系统完成板件表面检测并反馈出检测结果，系统通过对比输入系统的检测模板和板件数据对检测结果分析，最终确认板件是否为故障板件。

所述机器视觉检测系统通过适当的光源和图像传感器获取产品的表面图像，利用相应的图像处理算法提取图像的特征信息，然后根据特征信息进行表面缺陷的定位、识别、分级等判别和统计、存储、查询等操作。

所述视觉表面缺陷检测系统基本组成主要包括图像获取模块、图像处理模块、图像分析模块、数据管理及人机接口模块。

附图说明

图1为一种基于机器视觉的定制板件自动缺陷检测方法的整体流程。

图2为一种基于机器视觉的定制板件自动缺陷检测方法的CCD视觉检测流程。

图3为一种基于机器视觉的定制板件自动缺陷检测方法的匹配规则。

具体实施方式

为了使本发明实现技术手段、创作特征、达成目的与功效，易于明白了解、下面结合具体图示，进一步阐述发明。

以下结合图示和具体实例对本发明进行说明：

一种基于机器视觉的定制板件自动缺陷检测方法，其具体流程为：在正式生产前将生产板件的尺寸、孔位、花色及封边数据输入系统；正式生产时板件通过CCD视觉检测系统时，由CCD视觉检测系统完成板件表面检测并反馈出检测结果，系统通过对比输入系统的检测模板和板件数据对检测结果分析，最终确认板件是否为故障板件。

所述机器视觉检测系统通过适当的光源和图像传感器获取产品的表面图像，利用相应的图像处理算法提取图像的特征信息，然后根据特征信息进行表面缺陷的定位、识别、分级等判别和统计、存储、查询等操作。

视觉表面缺陷检测系统基本组成主要包括图像获取模块、图像处理模块、图像分析模块、数据管理及人机接口模块，先由图像预处理模块处理减少图像的噪声；然后再进行图像分割，使得图像被分解若干个互不交迭的区域；然后再进行特征的提取，对板材的纹理特征、颜色特征、形状特征进行识别；最后进行缺陷识别，使用板材特征和板材数据进行对比从而对缺陷进行识别。

所述图像预处理系统具体为：工业现场采集的图像通常包含噪声，图像预处理主要目的是减少噪声，改善图像的质量，使之更适合人眼的观察或机器的处理。图像的预处理通常包括空域法，有灰度变换、其中直观的方法是根据噪声能量一般集中于高频，而图像频谱则分布于一个有限区间的这一特点，采用低通滤波方式进行去噪，例如滑动平均窗滤波器、Wiener线性滤噪器等。上述各种滤波方法中，频域变换复杂，运算代价较高；空域滤波算法采用各种模板对图像进行卷积运算。直接灰度变换法通过对图像每一个像素按照某种函数进行变换后得到增强图像，变换函数一般多采用线性函数、分段线性函数、指数函数、对数函数等，运算简单，在满足处理功能的前提下实时性也较高。

所述图像分割系统具体为：图像的分割是把图像阵列分解成若干个互不交迭的区域，每一个区域内部的某种特性或特征相同或接近，而不同区域间的图像特征则有明显差别。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分为基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法。

所述特征提取系统为：图像的特征提取可理解为从高维图像空间到低维特征空间的映射，是基于机器视觉的表面缺陷检测的重要一环，其有效性对后续缺陷目标识别精度、计算复杂度、鲁棒性等均有重大影响。特征提取的基本思想是使目标在得到的子空间中具有较小的类内聚散度和较大的类间聚散度。目前常用的图像特征主要有纹理特征、颜色特征、形状特征。

所述缺陷识别系统具体为：统计模式识别和句法模式识别是两种基本的模式识别方法。前者是模式的统计分类方法，即结合统计概率的贝叶斯决策系统进行模型识别的技术，又称为决策理论识别方法；后者的基本思想是把一个模式描述为较简单的子模式的组合，子模式又可进一步描述为更简单的子模式的组合，最终得到一个树状结构描述，利用模式与子模式分层结构的树状信息完成模式识别任务。数字图像的识别问题通常适用于统计模式识别，而句法模式识别主要用于遥感图像识别、文字识别等，目前，基于机器视觉的表面缺陷识别主要涉及统计模式识别。

本方法中的检测模板定义了不同类型的板件特征参数（包括表面花色、纹理），及工艺参数（包括修边、倒角、切割）。

本方法中的分析检测结果主要指根据CCD检测结果及结合加工现场业务要求，匹配识别是否需要为故障板件，具体匹配方式及流程为，线获取

1.产品的对象；

2.获取CCD结果；

3.选定匹配规则；

4.根据产品的结构及CCD的判定结果确认最终结果。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由所附的权利要求书及其等效物界定。

Claims (3)

1.一种基于机器视觉的定制板件自动缺陷检测方法，其具体流程为：在正式生产前将检测模板和板件数据输入系统，其数据包括：生产板件的尺寸、孔位、花色及封边数据；正式生产时板件通过CCD视觉检测系统时，由CCD视觉检测系统完成板件表面检测并反馈出检测结果，系统通过对比输入系统的检测模板和板件数据对检测结果分析，最终确认板件是否为故障板件。

2.根据权利要求1所述，一种基于机器视觉的定制板件自动缺陷检测方法，其特征在于，所述机器视觉检测系统通过适当的光源和图像传感器获取产品的表面图像，利用相应的图像处理算法提取图像的特征信息，然后根据特征信息进行表面缺陷的定位、识别、分级等判别和统计、存储、查询等操作。

3.根据权利要求1所述，一种基于机器视觉的定制板件自动缺陷检测方法，其特征在于，所述视觉表面缺陷检测系统基本组成主要包括图像获取模块、图像处理模块、图像分析模块、数据管理及人机接口模块，先由图像预处理模块处理减少图像的噪声；然后再进行图像分割，使得图像被分解若干个互不交迭的区域；然后再进行特征的提取，对板材的纹理特征、颜色特征、形状特征进行识别；最后进行缺陷识别，使用板材特征和板材数据进行对比从而对缺陷进行识别。