CN110111301A - 基于频域变换的金属氧化表面缺陷视觉检测方法 - Google Patents
基于频域变换的金属氧化表面缺陷视觉检测方法 Download PDFInfo
- Publication number
- CN110111301A CN110111301A CN201910218567.9A CN201910218567A CN110111301A CN 110111301 A CN110111301 A CN 110111301A CN 201910218567 A CN201910218567 A CN 201910218567A CN 110111301 A CN110111301 A CN 110111301A
- Authority
- CN
- China
- Prior art keywords
- image
- gray value
- area
- interference
- image block
- 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 55
- 239000002184 metal Substances 0.000 title claims abstract description 43
- 229910052751 metal Inorganic materials 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 230000002950 deficient Effects 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 30
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000006740 morphological transformation Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 13
- 230000003647 oxidation Effects 0.000 abstract description 9
- 238000007254 oxidation reaction Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012372 quality testing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 229920001342 Bakelite® Polymers 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000004637 bakelite Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 235000008434 ginseng Nutrition 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
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical group 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- 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
- G06T2207/30136—Metal
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及数字图像处理与工业检测领域,提出一种基于频域变换的金属氧化表面缺陷视觉检测方法,包括以下步骤:对匀速旋转的待测金属产品的侧面进行图像采集工作,获得原始图像;对原始图像进行图像预处理,得到待测区域图像;将待测区域图像进行分数傅里叶变换;从完成分数傅里叶变换的图像中选取一个需要消除的干扰图像块,然后通过相邻差分滤波器消除完成分数傅里叶变换的图像中与干扰图像块相似的图像块;设定阈值T,遍历完成干扰消除的图像,若灰度值大于T则将该灰度值设置为0,若灰度值小于T则将该灰度值设置为255,输出完成缺陷视觉检测的图像,其中灰度值为0的图像区域即为检测出的缺陷区域。
Description
技术领域
本发明涉及数字图像处理与工业检测领域,更具体地,涉及一种基于频域变换的金属氧化表面缺陷视觉检测方法。
背景技术
由于金属制品在生产过程中由于加工工艺、材料等各种因素,导致金属制品可能存在多种质量问题,且其缺陷特征各不相同。一般的金属制品的表面缺陷主要表现在形状缺陷和表面缺陷,如在换向器中,其形状缺陷包括弯钩不良、钩槽存在异物、孔径不合格等,表面缺陷包括其上下端面存在电木缺损、存在裂痕、表面有铜粉等。
目前,对于金属制品的质量检测一般通过人工质量检测或计算机缺陷视觉检测。在人工质量检测过程中,由于过于依赖人的检测经验和主观判断,存在检测的效率低、误判率和漏检率高,很难提供一个稳定、准确和可靠的检测结果等问题。而计算机缺陷视觉检测中,计算机通过数字图像处理进行缺陷视觉检测,但由于金属材料长期暴露在大气中容易被氧化,当在金属制品同时存在氧化表面和缺陷时,计算机图像处理方法容易产生误判,存在检测准确率低等问题。
发明内容
本发明为克服上述现有技术所述的质量检测的检测效率低、误判率和漏检率高等至少一种缺陷,提供一种基于频域变换的金属氧化表面缺陷视觉检测方法。
为解决上述技术问题,本发明的技术方案如下:
一种基于频域变换的金属氧化表面缺陷视觉检测方法,包括以下步骤:
S1:对匀速旋转的待测金属产品的侧面进行图像采集工作,获得原始图像;
S2:对原始图像进行图像预处理,得到待测区域图像;
S3:将待测区域图像进行分数傅里叶变换;
S4:从S3步骤得到的图像中选取需要消除的干扰图像块,然后通过相邻差分滤波器消除S3步骤得到的图像中与干扰图像块相似的图像块,直到干扰完成消除;
S5:设定阈值T,遍历完成干扰消除的图像,若灰度值大于阈值T时将该灰度值设置为0,若灰度值小于阈值T时将该灰度值设置为255,输出完成缺陷视觉检测的图像,其中灰度值为0的图像区域记为检测出的缺陷区域。
本技术方案中,先采集得到原始图像,然后对原始图像进行图像预处理,减少相机拍摄产生的噪声,并提取需要检测的区域,再通过分数傅里叶变换使图像中需要保留的缺陷部位被增强,同时减少金属表面氧化的干扰,然后通过相邻差分滤波器再次增大图像中缺陷部位,增强缺陷部位与背景的差异,最后再次进行阈值分割,减少背景和氧化部分的干扰,只保留缺陷存在的部分,即完成金属氧化表面缺陷视觉检测。本技术方案能够有效提高对金属表面缺陷的检测效率,能够区分金属氧化区域和缺陷区域,降低金属产品质量检测的误判率和漏检率。
优选地,步骤S1中,采用线阵相机搭配线性同轴光源对匀速旋转的待测金属产品的侧面进行图像采集工作。本优选方案中,同轴光源提供了比传统光源更均匀的照明,能够加强金属蟾片表面划痕、压痕等缺陷类型,提高了机器视觉的准确性和重现性。
优选地,步骤S2的具体步骤包括:
S2.1:利用均值滤波将原始图像进行横向的拉伸;
S2.2:计算S2.1得到的图像的灰度直方图,根据灰度直方图将占图像总像素数量的96%对应的灰度值作为阈值xn1进行二值化处理,然后根据二值化处理后的图像的形状特征选取待检测区域,从S2.1得到的图像中分割出待检测区域图像;
S2.3:计算待检测区域图像的灰度直方图,根据双峰法选取阈值xn2对待检测区域图像进行二值化处理,然后根据二值化处理后的图像选取灰度值为255的区域为待检测区域,从S2.1得到的图像中分割出待检测区域图像;
S2.4:将S2.3得到的待检测区域图像进行形态学闭运算的形态学变换和边缘拟合,得到完成预处理的待测区域图像。
本优选方案中,采用均值滤波将原始图像进行横向拉伸,即通过均值滤波对图像的长度方向做线性的平滑,得到灰度值明显分块的区域块;根据图像的灰度直方图进行二值化处理,并根据二值化处理结果的图像形状特征从灰度图像中分割待检测区域;对待检测区域再次进行二值化处理,用于减少图像中的缝隙对缺陷检测造成的干扰;对待检测区域图像进行形态学闭运算的形态学变换和边缘拟合,使待检测的区域更加突出,获得精确的待检测区域图像。
优选地,步骤S3中分数傅里叶变换的公式如下:
Kp(u,t)=Aαexp[j2π(u2cotα-2ut cscα+t2cotα)]
其中,t表示时域,u表示频域,Kp(u,t)表示核函数,α表示绕坐标原点旋转角度大小,且n为正整数,p为傅里叶变换的阶数,且p取值为0~1。
本优选方案的分数傅里叶变换中,由于其实质是从空间域至频域的一个变换过程,随着绕坐标原点旋转角度α的不断增大,空间域的信息在不断的减少,且随着旋转角度α的变化,图像中一些细小的信息会渐渐被消除,因此可通过选择合适的傅里叶变换阶数p来调整旋转角度α,从而减少金属产品的氧化表面对缺陷检测的干扰。
优选地,步骤S4中的具体步骤包括:
S4.1:从S3步骤得到的图像中选取需要消除的干扰图像块,计算干扰图像块的平均灰度值;
S4.2:将S3步骤得到的图像切分为与干扰图像块相同大小的图像块,并计算每个图像块的平均灰度值;
S4.3:相邻差分滤波器根据干扰图像块的平均灰度值与每个图像块的平均灰度值判断其相似性,若该图像块为相似图像块则将该图像块的像素信息丢弃。
本技术方案中,主要通过在缺陷部位附近选择需要消除的干扰图像块,通过相邻差分滤波器消除与干扰图像块相似的区域,而所保留的相异区域即为缺陷区域。
优选地,步骤S4.3中的相邻差分滤波器通过如下矩阵实现:
ω=4h(f+2g+h)
Φ=-ω/v,v=f2
其中,ω用于保证相邻差分滤波器ADF遍历完成分数傅里叶变换的待测区域图像的像素后其灰度值仍处在0至255之间;Φ为矩阵核填充的值;v表示干扰图像块的面积大小,f表示干扰图像块的尺寸大小,g表示间隙空间的大小,h 表示外部相邻像素的厚度。
本优选方案中,随着参数f、g、h的改变,最终得到的处理效果都不一样,其中干扰图像块的尺寸大小f的取值决定干扰图像块的面积v的大小,随着矩阵行列的增加矩阵之间的运算难度也会加大,从而影响整个步骤的运行时间;g用于当图像块被判定为相似时将间隙空间的像素信息丢弃;h表示外部相邻像素的厚度,随着h的增大所提取的缺陷区域相当于做了腐蚀操作。
优选地,步骤S5中的阈值T设置为70,用于将缺陷区域与背景区域区分,进一步减少金属产品的氧化表面的干扰。
与现有技术相比,本发明技术方案的有益效果是:能够有效区分金属氧化区域和缺陷区域,提高对金属表面缺陷的检测效率,降低金属产品质量检测的误判率和漏检率,能够提供一个稳定、准确和可靠的缺陷视觉检测结果。
附图说明
图1为本实施例的金属氧化表面缺陷视觉检测方法的流程图。
图2为本实施例的原始图像。
图3为本实施例的完成预处理的待测区域图像。
图4为本实施例的不同阶数的分数傅里叶变换处理结果。
图5为本实施例的相邻差分滤波器ADF的示意图。
图6为不同参数的相邻差分滤波器的处理效果图。
图7为本实施例与常见方法的对比实验结果示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
如图1所示,为本实施例的基于频域变换的金属氧化表面缺陷视觉检测方法的流程图。
本实施例选取铜制换向器作为待测金属产品进行金属氧化表面缺陷视觉检测。
本实施例的基于频域变换的金属氧化表面缺陷视觉检测方法包括以下步骤:
步骤一:对匀速旋转的待测金属产品的侧面进行图像采集工作,获得原始图像。
本实施例中,由于待测金属产品表面的缺陷不易吸收红色光,因此本实施例选择红色的线性光源作为照明光源,同时考虑环境因素以及换向器本身的采集特点,本实施例选用TELEDYNEDALSA的LA-GM-04K08A-00-R的线阵相机进行图像采集。如图2所示,为本实施例的原始图像。
步骤二:对原始图像进行图像预处理,得到待测区域图像。其具体步骤如下:
S2.1:利用均值滤波将原始图像进行横向的拉伸;
S2.2:计算S2.1得到的图像的灰度直方图,根据灰度直方图将占图像总像素数量的96%对应的灰度值作为阈值xn1进行二值化处理,然后根据二值化处理后的图像的形状特征选取待检测区域,从S2.1得到的图像中分割出待检测区域图像;
S2.3:计算待检测区域图像的灰度直方图,根据灰度直方图选取待检测区域与图像缝隙之间的灰度值选取阈值xn2,即采用双峰法选取阈值xn2对待检测区域图像进行二值化处理,然后根据二值化处理后的图像选取灰度值为255的区域为待检测区域,从S2.1得到的图像中分割出待检测区域图像;
S2.4:将S2.3得到的待检测区域图像进行形态学闭运算的形态学变换和边缘拟合,得到完成预处理的待测区域图像。
如图3所示,为本实施例的完成预处理的待测区域图像。由图3可知,预处理后的待测区域图像中包括污渍a、污渍b、划痕a、划痕b、碰伤a等缺陷,但图像中仍然有很多干扰因素,需要进一步对图像中的干扰进行清除处理。
步骤三:将待测区域图像进行分数傅里叶变换。本步骤中分数傅里叶变换的公式如下:
Kp(u,t)=Aαexp[j2π(u2cotα-2ut cscα+t2cotα)]
其中,t表示时域,u表示频域,Kp(u,t)表示核函数,α表示绕坐标原点旋转角度大小,且n为正整数,p为傅里叶变换的阶数,且p取值为0~1。
如图4所示,为本实施例的不同阶数的分数傅里叶变换处理结果。图中的傅里叶变换阶数p采用了p=0.1、p=0.2、p=0.3、p=0.5、p=0.7进行对比,可以看出阶数p的改变,呈现出来的信息也在不断的变换,随着p增加,其空间域的信息不断减少,并且原本较小面积的点状的氧化部分也被消除,而分散污渍部分被整合到一起。
本实施例中采用的分数傅里叶变换阶数p的值为0.2。选择p=0.2的图像是因为从变换后的图像结果显示可知,经过0.2阶的分数傅里叶变换后的图像中减少了部分氧化区域对污渍的干扰,刚好达到理想效果,并且增强了污渍较为分散的周边区域,这对后续进行去除金属氧化表面部分,提取污渍缺陷区域的操作提供了便利。
步骤四:从步骤三得到的图像中选取需要消除的干扰图像块,然后通过相邻差分滤波器消除步骤三得到的图像中与干扰图像块相似的图像块,直到干扰完成消除。其具体步骤如下:
S4.1:从步骤三得到的图像中选取需要消除的干扰图像块,计算干扰图像块的平均灰度值;
S4.2:将步骤三得到的图像切分为与干扰图像块相同大小的图像块,并计算每个图像块的平均灰度值;
S4.3:相邻差分滤波器根据干扰图像块的平均灰度值与每个图像块的平均灰度值判断其相似性,若该图像块为相似图像块则将该图像块的像素信息丢弃。
本步骤中的相邻差分滤波器通过如下矩阵实现:
ω=4h(f+2g+h)
Φ=-ω/v,v=f2
如图5所示,为本实施例的相邻差分滤波器ADF的示意图。其中,ω用于保证相邻差分滤波器ADF遍历完成分数傅里叶变换的待测区域图像的像素后其灰度值仍处在0至255之间;Φ为矩阵核填充的值;v表示干扰图像块的面积大小,f表示干扰图像块的尺寸大小,g表示间隙空间的大小,h表示外部相邻像素的厚度。
步骤四中,随着参数f、g、h的改变,最终得到的处理效果都不一样,如图 6所示,为不同参数的相邻差分滤波器的处理效果图,图6中对污渍a图像进行不同参数的相邻差分滤波器处理。由图可知,每个参数的变换都会改变处理的效果,而想要得到最理想的效果的参数时不一样的。
本实施例中采用参数为h=3,g=3,f=10。
步骤五:设定阈值T为70,遍历完成干扰消除的图像,若灰度值大于阈值T 时将该灰度值设置为0,若灰度值小于阈值T时将该灰度值设置为255,输出完成缺陷视觉检测的图像,其中灰度值为0的图像区域即为检测出的缺陷区域。
将本发明提出的方法和Otsu、Dct+Ostu、Dct+Kpaur等几种常见的方法做出对比,其对比实验结果如图7所示。
第一种方法是Otsu法,其中的目标和背景的分割阈值取值为30,但这种方法所求的阈值是根据图像像素的平均灰度值计算而来,需要遍历整个图像对于灰度值差异比较大缺陷提取较为适用而针对本文灰度值较为接近的缺陷,很容易将缺陷部分的灰度值作为分割阈值,这样需要提取的缺陷部分将全部被分割出来,导致检测正确率较低,且存在极大的误差。
第二种方法是离散余弦变换DCT和Otsu法的结合,其中离散余玄变换DCT 的变换值设为40,而Otsu法的阈值T设置为172。由于离散余弦变换DCT所舍弃的部分为图像纹理较丰富的区域,而实际金属表面缺陷视觉检测应用中纹理丰富区域也不一定是缺陷所在的区域,也有可能是金属氧化表面造成的干扰。从表 1中可以看出该方法相对于直接采用阈值进行分割的Otsu法有较大的改善,但是对于一些较为接近缺陷部位的干扰不能够得到有效的消除。
第三种方法是离散余弦变换Dct和Kpaur法的结合,其中离散余玄变换DCT 的变换值设为40,而基于Kpaur的分割系数γ=173。Dct+Kpaur的方法和Dct+Ostu 的方法存在同样的不足,对于一些接近缺陷部位的干扰仍然不能有效地消除,且相对于Kpaur分割法,Otsu法更加简单,参数更加容易理解。
另外,RPCA的提出能够很好的处理稀疏噪声问题,但是他是一种无监督方法,无法利用标签信息来增加识别率,当处理新样本时,所有训练样本都需要被重新计算,需要消耗了大量时间。本实施例还对RPCA+Kpaur的结合方法做了同样的仿真实验,从表1可知其实验效果还不如Dct+Kpaur的方法和Dct+Ostu 的方法理想,较多的干扰信息没有被消除,部分非缺陷的部位也被分割出来。
本发明提出的基于频域变换的金属氧化表面缺陷检测方法在对图像进行处理主要结合了分数傅里叶变换FRFT和相邻差分滤波器ADF,分数傅里叶变换 FRFT中采用阶数为p=0.2,相邻差分滤波器ADF的参数为h=3、g=3、f=10。本发明提出的基于频域变换的金属氧化表面缺陷检测方法在对待测区域图像进行处理的过程中,首先通过分数傅里叶变换FRFT消除独立细小的氧化区域,并增强缺陷区域,然后通过相邻差分滤波器ADF将缺陷区域与氧化区域划分,消除非缺陷区域,保留并增强缺陷区域,从而得到稳定、准确和可靠的缺陷视觉检测结果。与其他几种方法相比较,本发明提出的方法检测的缺陷区域更加接近原始缺陷信息,并且消除了95%的氧化干扰。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (7)
1.一种基于频域变换的金属氧化表面缺陷视觉检测方法,其特征在于,包括以下步骤:
S1:对匀速旋转的待测金属产品的侧面进行图像采集工作,获得原始图像;
S2:对原始图像进行图像预处理,得到待测区域图像;
S3:将待测区域图像进行分数傅里叶变换;
S4:从S3步骤得到的图像中选取需要消除的干扰图像块,然后通过相邻差分滤波器消除S3步骤得到的图像中与干扰图像块相似的图像块,直到干扰完成消除;
S5:设定阈值T,遍历完成干扰消除的图像,若灰度值大于阈值T时将该灰度值设置为0,若灰度值小于阈值T时将该灰度值设置为255,输出完成缺陷视觉检测的图像,其中灰度值为0的图像区域即为检测出的缺陷区域。
2.根据权利要求1所述的金属氧化表面缺陷视觉检测方法,其特征在于:所述步骤S1中,采用线阵相机搭配线性同轴光源对匀速旋转的待测金属产品的侧面进行图像采集工作。
3.根据权利要求1所述的金属氧化表面缺陷视觉检测方法,其特征在于:所述步骤S2的具体步骤包括:
S2.1:利用均值滤波将原始图像进行横向的拉伸;
S2.2:计算S2.1得到的图像的灰度直方图,根据灰度直方图将占图像总像素数量的96%对应的灰度值作为阈值xn1进行二值化处理,然后根据二值化处理后的图像的形状特征选取待检测区域,从S2.1得到的图像中分割出待检测区域图像;
S2.3:计算待检测区域图像的灰度直方图,根据双峰法选取阈值xn2对待检测区域图像进行二值化处理,然后根据二值化处理后的图像选取灰度值为255的区域为待检测区域,从S2.1得到的图像中分割出待检测区域图像;
S2.4:将S2.3得到的待检测区域图像进行形态学闭运算的形态学变换和边缘拟合,得到完成预处理的待测区域图像。
4.根据权利要求1所述的金属氧化表面缺陷视觉检测方法,其特征在于:所述步骤S3中分数傅里叶变换的公式如下:
Kp(u,t)=Aαexp[j2π(u2cotα-2utcscα+t2cotα)]
其中,t表示时域,u表示频域,Kp(u,t)表示核函数,α表示绕坐标原点旋转角度大小,且n为正整数,p为傅里叶变换的阶数,且p取值为0~1。
5.根据权利要求1所述的金属氧化表面缺陷视觉检测方法,其特征在于:所述步骤S4中的具体步骤包括:
S4.1:从S3步骤得到的图像中选取需要消除的干扰图像块,计算干扰图像块的平均灰度值;
S4.2:将S3步骤得到的图像切分为与干扰图像块相同大小的图像块,并计算每个图像块的平均灰度值;
S4.3:相邻差分滤波器根据干扰图像块的平均灰度值与每个图像块的平均灰度值判断其相似性,若该图像块为相似图像块则将该图像块的像素信息丢弃。
6.根据权利要求5所述的金属氧化表面缺陷视觉检测方法,其特征在于:所述步骤S4.3中的相邻差分滤波器通过如下矩阵实现:
ω=4h(f+2g+h)
Φ=-ω/v,v=f2
其中,ω用于保证相邻差分滤波器ADF遍历完成分数傅里叶变换的待测区域图像的像素后其灰度值仍处在0至255之间;Φ为矩阵核填充的值;v表示干扰图像块的面积大小,f表示干扰图像块的尺寸大小,g表示间隙空间的大小,h表示外部相邻像素的厚度。
7.根据权利要求1所述的金属氧化表面缺陷视觉检测方法,其特征在于:所述步骤S5中的阈值T设置为70。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910218567.9A CN110111301A (zh) | 2019-03-21 | 2019-03-21 | 基于频域变换的金属氧化表面缺陷视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910218567.9A CN110111301A (zh) | 2019-03-21 | 2019-03-21 | 基于频域变换的金属氧化表面缺陷视觉检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110111301A true CN110111301A (zh) | 2019-08-09 |
Family
ID=67484485
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910218567.9A Pending CN110111301A (zh) | 2019-03-21 | 2019-03-21 | 基于频域变换的金属氧化表面缺陷视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110111301A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110530883A (zh) * | 2019-09-30 | 2019-12-03 | 凌云光技术集团有限责任公司 | 一种缺陷检测方法 |
CN111060527A (zh) * | 2019-12-30 | 2020-04-24 | 歌尔股份有限公司 | 一种字符缺陷检测方法及装置 |
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 |
CN113052830A (zh) * | 2021-04-07 | 2021-06-29 | 深圳市磐锋精密技术有限公司 | 一种基于大数据的产品性能检测系统 |
CN113592741A (zh) * | 2021-08-04 | 2021-11-02 | 西北工业大学 | 一种数字图像处理方法 |
CN113643271A (zh) * | 2021-08-24 | 2021-11-12 | 凌云光技术股份有限公司 | 一种基于频域滤波的图像瑕疵检测方法及装置 |
CN114820617A (zh) * | 2022-06-29 | 2022-07-29 | 苏州大学 | 基于四焦距相位相干机器视觉的晶体缺陷检测方法和系统 |
CN117670842A (zh) * | 2023-12-07 | 2024-03-08 | 常州市宏发纵横新材料科技股份有限公司 | 一种布面横条检测方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361570A (zh) * | 2014-11-19 | 2015-02-18 | 深圳市富视康实业发展有限公司 | 一种基于分数阶傅里叶变换的图像融合方法 |
CN104792522A (zh) * | 2015-04-10 | 2015-07-22 | 北京工业大学 | 一种基于分数阶小波变换和bp神经网络的齿轮缺陷智能分析方法 |
CN107478657A (zh) * | 2017-06-20 | 2017-12-15 | 广东工业大学 | 基于机器视觉的不锈钢表面缺陷检测方法 |
CN108230303A (zh) * | 2017-12-21 | 2018-06-29 | 河北工业大学 | 一种多晶硅太阳能电池片外观划痕缺陷检测的方法 |
CN108709893A (zh) * | 2018-03-30 | 2018-10-26 | 苏州佳智彩光电科技有限公司 | 一种amoled显示屏点线团在线缺陷检测方法 |
-
2019
- 2019-03-21 CN CN201910218567.9A patent/CN110111301A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361570A (zh) * | 2014-11-19 | 2015-02-18 | 深圳市富视康实业发展有限公司 | 一种基于分数阶傅里叶变换的图像融合方法 |
CN104792522A (zh) * | 2015-04-10 | 2015-07-22 | 北京工业大学 | 一种基于分数阶小波变换和bp神经网络的齿轮缺陷智能分析方法 |
CN107478657A (zh) * | 2017-06-20 | 2017-12-15 | 广东工业大学 | 基于机器视觉的不锈钢表面缺陷检测方法 |
CN108230303A (zh) * | 2017-12-21 | 2018-06-29 | 河北工业大学 | 一种多晶硅太阳能电池片外观划痕缺陷检测的方法 |
CN108709893A (zh) * | 2018-03-30 | 2018-10-26 | 苏州佳智彩光电科技有限公司 | 一种amoled显示屏点线团在线缺陷检测方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110530883B (zh) * | 2019-09-30 | 2022-08-02 | 凌云光技术股份有限公司 | 一种缺陷检测方法 |
CN110530883A (zh) * | 2019-09-30 | 2019-12-03 | 凌云光技术集团有限责任公司 | 一种缺陷检测方法 |
CN111060527A (zh) * | 2019-12-30 | 2020-04-24 | 歌尔股份有限公司 | 一种字符缺陷检测方法及装置 |
US12002198B2 (en) | 2019-12-30 | 2024-06-04 | Goertek Inc. | Character defect detection method and device |
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 |
CN113052830A (zh) * | 2021-04-07 | 2021-06-29 | 深圳市磐锋精密技术有限公司 | 一种基于大数据的产品性能检测系统 |
CN113592741A (zh) * | 2021-08-04 | 2021-11-02 | 西北工业大学 | 一种数字图像处理方法 |
CN113643271A (zh) * | 2021-08-24 | 2021-11-12 | 凌云光技术股份有限公司 | 一种基于频域滤波的图像瑕疵检测方法及装置 |
CN114820617A (zh) * | 2022-06-29 | 2022-07-29 | 苏州大学 | 基于四焦距相位相干机器视觉的晶体缺陷检测方法和系统 |
CN114820617B (zh) * | 2022-06-29 | 2022-09-20 | 苏州大学 | 基于四焦距相位相干机器视觉的晶体缺陷检测方法和系统 |
CN117670842A (zh) * | 2023-12-07 | 2024-03-08 | 常州市宏发纵横新材料科技股份有限公司 | 一种布面横条检测方法、装置、设备及存储介质 |
CN117670842B (zh) * | 2023-12-07 | 2024-06-04 | 常州市宏发纵横新材料科技股份有限公司 | 一种布面横条检测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110111301A (zh) | 基于频域变换的金属氧化表面缺陷视觉检测方法 | |
CN115375676B (zh) | 一种基于图像识别的不锈钢制品质量检测方法 | |
CN105894036B (zh) | 一种应用于手机屏幕缺陷检测的图像特征模板匹配方法 | |
CN114359270B (zh) | 基于计算机视觉的汽车发动机油路铜套缺陷检测方法 | |
CN109682839B (zh) | 一种金属弧形工件表面缺陷在线检测方法 | |
CN115222733A (zh) | 基于图像识别的金属构件表面缺陷检测方法 | |
CN115375686B (zh) | 一种基于图像处理的玻璃边缘瑕疵检测方法 | |
CN115100191B (zh) | 基于工业检测的金属铸件缺陷识别方法 | |
CN112862760A (zh) | 一种轴承外圈表面缺陷区域检测方法 | |
CN115063423B (zh) | 基于计算机视觉的机械铸件冷热裂纹自适应辨别方法 | |
CN115272321A (zh) | 一种基于机器视觉的纺织品缺陷检测方法 | |
CN115290663B (zh) | 基于光学检测的Mini LED晶圆外观缺陷检测方法 | |
CN109934808A (zh) | 一种基于图像多形状法向梯度差值pcb板缺陷分类方法 | |
Ghazvini et al. | Defect detection of tiles using 2D-wavelet transform and statistical features | |
CN116363126B (zh) | 一种数据线usb插头焊接质量检测方法 | |
CN115063407A (zh) | 一种用于环形铜垫片的划痕及裂纹识别方法 | |
Lin et al. | Surface defect detection of machined parts based on machining texture direction | |
CN115866502A (zh) | 一种麦克风零件表面缺陷在线检测流程 | |
CN114881961A (zh) | 一种玻璃纤维板裂纹检测方法及设备 | |
Chen et al. | K-means clustering with morphological filtering for silicon wafer grain defect detection | |
CN111815575B (zh) | 一种基于机器视觉的轴承钢珠零件检测方法 | |
CN113436102A (zh) | 一种加工零件表面缺陷检测方法 | |
CN117011291A (zh) | 一种手表外壳质量视觉检测方法 | |
CN111192261A (zh) | 一种镜片疵病类型识别的方法 | |
CN111681181A (zh) | 一种织物表面起球程度的评价方法 |
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 |