CN110021012A - 基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法 - Google Patents
基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法 Download PDFInfo
- Publication number
- CN110021012A CN110021012A CN201910239208.1A CN201910239208A CN110021012A CN 110021012 A CN110021012 A CN 110021012A CN 201910239208 A CN201910239208 A CN 201910239208A CN 110021012 A CN110021012 A CN 110021012A
- Authority
- CN
- China
- Prior art keywords
- region
- image
- defect
- sight glass
- absence
- 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
- G06T7/11—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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明涉及机器视觉检测领域,公开一种基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法,包括:利用图像分割相关算法对镜头视窗玻璃图像进行图像分割,得到由内而外同心且依次嵌套的第一图像区域(1)、第二图像区域(2)、第三图像区域(3)和第四图像区域(4);对分割后的多个图像区域分别进行缺陷检查,判断第一图像区域(1)是否存在点状、划伤、脏污或水渍的缺陷;判断第二图像区域(2)是否存在脏污或异物的缺陷;判断第三图像区域(3)是否存在玻璃崩边缺陷;判断第四图像区域(4)是否存在点胶缺陷。本发明实现了自动检测。
Description
技术领域
本发明涉及机器视觉检测领域,具体地,涉及基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法。
背景技术
机器视觉检测技术主要是通过工业相机、镜头、光源等构成的图像采集设备获取图像,利用图像处理算法对待检测物体的图像进行分析处理模拟人眼的视觉功能,并通过电控系统最终用于实际的检测与分类。
随着当今社会经济的飞速发展,智能手机成为人们生活中不可或缺的工具,其中手机摄像头是智能手机的重要组成部分之一,常常影响人们对手机品牌的选择。因此许多手机厂商为了吸引消费人员,对手机摄像头的拍摄品质要求逐渐增高。而手机镜头前的视窗玻璃的品质直接决定了相机拍摄的效果。
手机镜头视窗玻璃在生产工艺中会出现点胶、脏污、水渍、溢胶、划伤等缺陷,这类缺陷的存在会严重影响手机镜头的成像效果。目前绝大多数工厂还是采用传统的人工目检方式,即人工利用放大镜来对玻璃瑕疵进行全面的检查,但此种方法不仅效率低下且无法保证准确性。
发明内容
本发明的目的是提供一种基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法,该基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法克服了现有技术中的手机镜头视窗玻璃在生产工艺中会出现的点胶、脏污、水渍、溢胶、划伤等缺陷智能通过人工检测的问题,实现了自动检测。
为了实现上述目的,本发明提供一种基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法,该基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法包括:
利用图像分割相关算法对镜头视窗玻璃图像进行图像分割,得到由内而外同心且依次嵌套的第一图像区域、第二图像区域、第三图像区域和第四图像区域;
对分割后的多个图像区域分别进行缺陷检查,判断第一图像区域是否存在点状、划伤、脏污或水渍的缺陷;判断第二图像区域是否存在脏污或异物的缺陷;判断第三图像区域是否存在玻璃崩边缺陷;判断第四图像区域是否存在点胶缺陷。
优选地,判断第一图像区域是否存在点状、划伤、脏污或水渍的缺陷的方法包括:
步骤11,利用进行阈值化算法对第一图像区域进行处理,选择灰度范围在[15,255]之间的区域得到A1区域;
步骤12,利用形态学开区间算法对A1区域进行处理,得到去噪声干扰后的图像A2;
步骤13,利用区域连通算法对去噪声干扰后的图像A2进行处理,对区域内的像素进行标记;
步骤14,根据像素面积大小的特征,选择范围为[0,1409930]之间的像素区域,得到Particle缺陷部分的区域A3;
步骤15,计算Particle缺陷部分的区域A3的面积,根据预设第一缺陷面积值与Particle缺陷部分的区域A3的面积值的大小判断是否存在点状、划伤、脏污或水渍的缺陷。
优选地,在步骤12中,掩膜模板采用半径为2个像素的圆。
优选地,判断第二图像区域是否存在脏污或异物的缺陷的方法包括:
步骤21,利用灰度阈值化算法对第二图像区域进行处理,根据缺陷部分与正常的HD部分灰阶值差异,选择[65,255]范围的区域B1;
步骤22,利用区域合并算法对区域B1进行处理,得到完整的区域B2。
步骤23,计算区域B2的面积,根据区域B2的面积与预设第二缺陷面积值的大小判断是否存在脏污或异物的缺陷。
优选地,判断第三图像区域是否存在玻璃崩边缺陷的方法包括:
步骤31,利用灰度阈值化对第三图像区域进行处理,选择[100,255]范围的灰度区域得到区域C1;。
步骤32,利用形态学开区间算法对区域C1进行处理,得到区域B2;
步骤33,计算区域B2的面积,根据区域B2的面积与预设第三缺陷面积值的大小来判断是否存在玻璃崩边缺陷。
优选地,在步骤32中,掩膜模板采用半径为2个像素的圆。
优选地,判断第四图像区域是否存在点胶缺陷的方法包括:
步骤41,利用灰度阈值化算法对第四图像区域进行处理,选择[100,255]范围的区域,得到区域D1;
步骤42,对区域D1进行形态学腐蚀操作,得到区域D2;
步骤43,利用区域填充算法对区域D2进行处理,填充区域空洞得到区域D3,利用区域合并算法处理区域D3;
步骤44,利用连通算法处理区域D3,以对区域D3进行像素标记;
步骤45,根据像素面积大小特征来选择溢胶区域D4;
步骤46,计算溢胶区域D4的面积大小,当区域D4的面积大小不为0时,判定存在点胶缺陷。
优选地,在步骤43中,掩膜模板采用半径为2.5的圆形。
通过上述技术方案,可以更好的进行镜头视窗玻璃的缺陷自动检测,对分割后的图像区域分别进行缺陷检查。真正的实现了镜头视窗玻璃的自检。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。在附图中:
图1是本发明的一种优选实施方式的利用图像分割相关算法对镜头视窗玻璃图像进行图像分割的区域示意图;
图2是本发明的一种优选实施方式的系统流程图。
附图标记说明
1 第一图像区域 2 第二图像区域
3 第三图像区域 4 第四图像区域
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
AOI系统(自动光学检测)取代人工检测是目前工业化发展的大势所趋,基于机器视觉技术的玻璃检测设备能够完全替代人工来检测,并且效率高、实时性好、能持续性工作,解决了人员流动性大的问题,能够满足目前市场的需求。
本发明提供一种基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法。在利用图像分割相关算法对镜头视窗玻璃图像进行图像分割后,得到如附图1中所示的图像1、2、3、4区域。图像1区域(第一图像区域1)主要存在点状、划伤、脏污、水渍等缺陷,图像2区域(第二图像区域2)主要存在脏污、异物等缺陷,图像3区域(第三图像区域3)主要存在玻璃崩边缺陷,图像4区域(第四图像区域4)主要存在溢胶等缺陷。为更好的进行镜头视窗玻璃的缺陷自动检测,对分割后的图像区域分别进行缺陷检查。其方法如下可以采用下述的一整套步骤来执行:
步骤1:对分割后的图像1区域进行阈值化算法处理,选择灰度范围在[15,255]之间的区域。
步骤2:对步骤1结果区域进行形态学开区间算法,掩膜模板采用半径为2个像素的圆。此步骤可防止细小的图像噪声及小颗粒的灰尘对缺陷检测的判断带来的影响。
步骤3:对去噪声干扰后的图像作区域连通算法处理,对区域内的像素进行标记处理。
步骤4:根据像素面积大小的特征,选择范围为[0,1409930]之间的像素区域,得到Particle缺陷部分的区域。
步骤5:计算步骤4选择的Particle区域,计算此区域的面积,按照实际检测需求根据此面积大小来判断是否存在缺陷,并在此基础上进行脏污、水渍、点状等缺陷的分类。
步骤6:对图像2区域进行灰度阈值化算法处理,根据缺陷部分与正常的HD部分灰阶值差异,选择[65,255]范围的区域,即得到脏污、异物等缺陷区域。
步骤7:对步骤6得到的区域进行区域合并算法,得到完整的区域。
步骤8:计算上述区域的面积特征,根据面积大小来判断是否存在脏污、异物缺陷。
步骤9:对图像3区域进行灰度阈值化操作,根据玻璃崩边缺陷比正常玻璃区域灰阶值高的特性,选择[100,255]范围的灰度区域。
步骤10:对上述结果区域进行形态学开区间算法,掩膜模板采用半径为2个像素的圆。此步骤可防止细小的图像噪声及小颗粒的灰尘对异物、脏污缺陷检测的判断带来的影响。
步骤11:计算步骤10的结果区域的面积大小,根据面积大小来判断是都存在玻璃崩边缺陷。
步骤12:对图像区域4进行灰度阈值化算法操作,根据溢胶缺陷灰阶值比正常的HD区域灰阶值高的特性,选择[100,255]范围的区域。
步骤12:对上述区域进行形态学腐蚀操作,掩膜模板采用半径为2.5的圆形。
步骤13:对上述膨胀后的区域进行区域填充算法,填充区域空洞,并进行区域合并算法。
步骤14:上述区域进行连通算法处理,对区域进行像素标记。
步骤15:根据像素面积大小特征来选择溢胶区域。
步骤16:计算溢胶缺陷区域的面积大小,当面积大小不为0时即存在点胶缺陷。
上结合附图详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种简单变型,这些简单变型均属于本发明的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。
此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明的思想,其同样应当视为本发明所公开的内容。
Claims (8)
1.一种基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法,其特征在于,该基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法包括:
利用图像分割相关算法对镜头视窗玻璃图像进行图像分割,得到由内而外同心且依次嵌套的第一图像区域(1)、第二图像区域(2)、第三图像区域(3)和第四图像区域(4);
对分割后的多个图像区域分别进行缺陷检查,判断第一图像区域(1)是否存在点状、划伤、脏污或水渍的缺陷;判断第二图像区域(2)是否存在脏污或异物的缺陷;判断第三图像区域(3)是否存在玻璃崩边缺陷;判断第四图像区域(4)是否存在点胶缺陷。
2.根据权利要求1所述的基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法,其特征在于,判断第一图像区域(1)是否存在点状、划伤、脏污或水渍的缺陷的方法包括:
步骤11,利用进行阈值化算法对第一图像区域(1)进行处理,选择灰度范围在[15,255]之间的区域得到A1区域;
步骤12,利用形态学开区间算法对A1区域进行处理,得到去噪声干扰后的图像A2;
步骤13,利用区域连通算法对去噪声干扰后的图像A2进行处理,对区域内的像素进行标记;
步骤14,根据像素面积大小的特征,选择范围为[0,1496050]之间的像素区域,得到Particle缺陷部分的区域A3;
步骤15,计算Particle缺陷部分的区域A3的面积,根据预设第一缺陷面积值与Particle缺陷部分的区域A3的面积值的大小判断是否存在点状、划伤、脏污或水渍的缺陷。
3.根据权利要求2所述的基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法,其特征在于,在步骤12中,掩膜模板采用半径为2个像素的圆。
4.根据权利要求1所述的基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法,其特征在于,判断第二图像区域(2)是否存在脏污或异物的缺陷的方法包括:
步骤21,利用灰度阈值化算法对第二图像区域(2)进行处理,根据缺陷部分与正常的HD部分灰阶值差异,选择[65,255]范围的区域B1;
步骤22,利用区域合并算法对区域B1进行处理,得到完整的区域B2。
步骤23,计算区域B2的面积,根据区域B2的面积与预设第二缺陷面积值的大小判断是否存在脏污或异物的缺陷。
5.根据权利要求1所述的基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法,其特征在于,判断第三图像区域(3)是否存在玻璃崩边缺陷的方法包括:
步骤31,利用灰度阈值化对第三图像区域(3)进行处理,选择[100,255]范围的灰度区域得到区域C1;。
步骤32,利用形态学开区间算法对区域C1进行处理,得到区域B2;
步骤33,计算区域B2的面积,根据区域B2的面积与预设第三缺陷面积值的大小来判断是否存在玻璃崩边缺陷。
6.根据权利要求5所述的基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法,其特征在于,在步骤32中,掩膜模板采用半径为2个像素的圆。
7.根据权利要求1所述的基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法,其特征在于,判断第四图像区域(4)是否存在点胶缺陷的方法包括:
步骤41,利用灰度阈值化算法对第四图像区域(4)进行处理,选择[100,255]范围的区域,得到区域D1;
步骤42,对区域D1进行形态学腐蚀操作,得到区域D2;
步骤43,利用区域填充算法对区域D2进行处理,填充区域空洞得到区域D3,利用区域合并算法处理区域D3;
步骤44,利用连通算法处理区域D3,以对区域D3进行像素标记;
步骤45,根据像素面积大小特征来选择溢胶区域D4;
步骤46,计算溢胶区域D4的面积大小,当区域D4的面积大小不为0时,判定存在点胶缺陷。
8.根据权利要求1所述的基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法,其特征在于,在步骤43中,掩膜模板采用半径为2.5的圆形。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910239208.1A CN110021012B (zh) | 2019-03-27 | 2019-03-27 | 基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910239208.1A CN110021012B (zh) | 2019-03-27 | 2019-03-27 | 基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110021012A true CN110021012A (zh) | 2019-07-16 |
CN110021012B CN110021012B (zh) | 2023-09-26 |
Family
ID=67190032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910239208.1A Active CN110021012B (zh) | 2019-03-27 | 2019-03-27 | 基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110021012B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111462080A (zh) * | 2020-03-31 | 2020-07-28 | 征图新视(江苏)科技股份有限公司 | 玻璃平坦区的缺陷检测方法 |
WO2022082904A1 (zh) * | 2020-10-20 | 2022-04-28 | 诚瑞光学(深圳)有限公司 | 镜头脏污检测方法、装置和设备 |
CN116385353A (zh) * | 2023-02-10 | 2023-07-04 | 南通大学 | 一种摄像头模组异常检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060251340A1 (en) * | 2003-07-18 | 2006-11-09 | Laurent Karsenti | Method for defect detection and process monitoring based on sem images |
CN106157303A (zh) * | 2016-06-24 | 2016-11-23 | 浙江工商大学 | 一种基于机器视觉对表面检测的方法 |
CN107255641A (zh) * | 2017-06-06 | 2017-10-17 | 西安理工大学 | 一种针对自聚焦透镜表面缺陷进行机器视觉检测的方法 |
CN107993219A (zh) * | 2017-10-31 | 2018-05-04 | 无锡港湾网络科技有限公司 | 一种基于机器视觉的船板表面缺陷检测方法 |
WO2018086299A1 (zh) * | 2016-11-11 | 2018-05-17 | 广东电网有限责任公司清远供电局 | 基于图像处理的绝缘子缺陷检测方法及系统 |
-
2019
- 2019-03-27 CN CN201910239208.1A patent/CN110021012B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060251340A1 (en) * | 2003-07-18 | 2006-11-09 | Laurent Karsenti | Method for defect detection and process monitoring based on sem images |
CN106157303A (zh) * | 2016-06-24 | 2016-11-23 | 浙江工商大学 | 一种基于机器视觉对表面检测的方法 |
WO2018086299A1 (zh) * | 2016-11-11 | 2018-05-17 | 广东电网有限责任公司清远供电局 | 基于图像处理的绝缘子缺陷检测方法及系统 |
CN107255641A (zh) * | 2017-06-06 | 2017-10-17 | 西安理工大学 | 一种针对自聚焦透镜表面缺陷进行机器视觉检测的方法 |
CN107993219A (zh) * | 2017-10-31 | 2018-05-04 | 无锡港湾网络科技有限公司 | 一种基于机器视觉的船板表面缺陷检测方法 |
Non-Patent Citations (3)
Title |
---|
CHUANXIA JIAN等: ""Automatic surface defect detection for mobile phone screen glass based on machine vision"", 《APPLIED SOFT COMPUTING》 * |
卢小宝等: "基于样本块的破损唐卡图像修复算法的改进", 《计算机应用》 * |
熊节: ""基于机器视觉的栅线对准检测系统的研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111462080A (zh) * | 2020-03-31 | 2020-07-28 | 征图新视(江苏)科技股份有限公司 | 玻璃平坦区的缺陷检测方法 |
WO2022082904A1 (zh) * | 2020-10-20 | 2022-04-28 | 诚瑞光学(深圳)有限公司 | 镜头脏污检测方法、装置和设备 |
CN116385353A (zh) * | 2023-02-10 | 2023-07-04 | 南通大学 | 一种摄像头模组异常检测方法 |
CN116385353B (zh) * | 2023-02-10 | 2024-01-30 | 南通大学 | 一种摄像头模组异常检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110021012B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
CN108876768B (zh) | 导光板暗影缺陷检测方法 | |
CN104749184B (zh) | 自动光学检测方法和系统 | |
CN110021012A (zh) | 基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法 | |
CN109668904A (zh) | 一种光学零件疵病检测装置及方法 | |
CN111474177A (zh) | 基于计算机视觉的液晶屏幕背光异物缺陷检测方法 | |
JPH07190884A (ja) | コンタクトレンズ外観検査方法および外観検査装置 | |
CN109668909A (zh) | 一种玻璃缺陷检测方法 | |
CN106780464A (zh) | 一种基于改进阈值分割的织物疵点检测方法 | |
CN112945988B (zh) | 镜片缺陷检测系统及检测方法 | |
CN113706461A (zh) | 一种基于图像识别的绝缘毯微缺陷识别系统 | |
CN110007493A (zh) | 液晶显示屏中碎亮点检测方法 | |
CN113686869A (zh) | 一种绝缘毯微缺陷识别装置 | |
CN110570412B (zh) | 一种零件误差视觉判断系统 | |
CN110441321A (zh) | 基于分时曝光图像综合的透明材质内部缺陷检测方法 | |
CN113657335A (zh) | 基于hsv颜色空间的矿相识别方法 | |
CN111563869B (zh) | 用于摄像模组质检的污点测试方法 | |
JP2008014842A (ja) | シミ欠陥検出方法及び装置 | |
Wang et al. | Identification and detection of surface defects of outer package printed matter based on machine vision | |
CN109544535B (zh) | 一种基于红外截止滤镜光学滤波特性的窥视摄像头检测方法及系统 | |
CN114018946B (zh) | 一种基于OpenCV的高反光瓶盖缺陷检测方法 | |
CN105954295A (zh) | 一种头盔罩面缺陷检测系统及方法 | |
CN109448012A (zh) | 一种图像边缘检测方法及装置 | |
JPH06208017A (ja) | カラーフィルターの欠陥検査方法および欠陥検査装置 | |
CN115170493A (zh) | 一种无菌包装微缺损的识别方法、系统及存储介质 |
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 |