CN110288584B - 基于机器视觉的陶瓷热浸镀铝表面缺陷检测方法及装置 - Google Patents

基于机器视觉的陶瓷热浸镀铝表面缺陷检测方法及装置 Download PDF

Info

Publication number
CN110288584B
CN110288584B CN201910568299.3A CN201910568299A CN110288584B CN 110288584 B CN110288584 B CN 110288584B CN 201910568299 A CN201910568299 A CN 201910568299A CN 110288584 B CN110288584 B CN 110288584B
Authority
CN
China
Prior art keywords
image
module
defect
photoelectric switch
light source
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
Application number
CN201910568299.3A
Other languages
English (en)
Other versions
CN110288584A (zh
Inventor
胡顺
党海平
钱荣盛
李鑫
靳璞磊
徐飞
何阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changzhou Gugao Intelligent Equipment Technology Research Institute Co ltd
Original Assignee
Changzhou Gugao Intelligent Equipment Technology Research Institute Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changzhou Gugao Intelligent Equipment Technology Research Institute Co ltd filed Critical Changzhou Gugao Intelligent Equipment Technology Research Institute Co ltd
Priority to CN201910568299.3A priority Critical patent/CN110288584B/zh
Publication of CN110288584A publication Critical patent/CN110288584A/zh
Application granted granted Critical
Publication of CN110288584B publication Critical patent/CN110288584B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06T7/0002—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
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • 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
    • G01N2021/8883—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 involving the calculation of gauges, generating models
    • 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
    • G01N2021/889—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 providing a bare video image, i.e. without visual measurement aids
    • 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
    • G06T2207/20—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

本发明公开了一种基于机器视觉的陶瓷热浸镀铝表面缺陷检测方法及装置，包括图像采集模块、图像处理分析模块、运输模块、产品剔除模块。运输模块，将工件沿传送带进行传送，图像采集模块信号触发后采集图像，与图像采集模块连接的图像处理分析模块对工件定位，处理，识别，与图像处理分析模块连接的产品剔除模块能够稳定的对缺陷产品剔除。解决了人工在线检测主观性强，准确度不高的问题，降低了工人的劳动强度。本发明借助工业相机，对图像进行采集、处理、识别，通过气动推杆剔除缺陷产品等设备和技术，实现了一套高可靠性，低成本的陶瓷镀铝表面缺陷检测方法及其装置。

Description

基于机器视觉的陶瓷热浸镀铝表面缺陷检测方法及装置
技术领域
本发明涉及机器视觉检测领域，尤其涉及一种基于机器视觉的陶瓷热浸镀铝表面缺陷检测方法及装置。
背景技术
铝与氧化铝、氮化铝等含铝陶瓷的产品在大功率集成电路封装基板、轻质复合装甲以及汽车工业等领域具有广泛的应用。陶瓷热浸镀铝表面呈银灰色的金属光泽，质量上要求表面平整，无划伤(不可见瓷体)、无缺边、无污点。
然而，在陶瓷热浸镀铝制备过程中，由于原料，工艺，传输等多方面因素，导致陶瓷热浸镀铝表面会出现划伤、缺边、污染等多种不同类型的缺陷，但是陶瓷热浸镀铝表面划痕缺陷和污点缺陷与周围区域对比度不强，面积区域小等特点，同时划痕缺陷与污点缺陷、缺边缺陷在同种光源环境下划痕缺陷的识别准确率不高，且不能够准确测量划痕的长度和宽度以及面积，因此给缺陷检测造成了很大困难。
因此，在现有的技术和生产工艺条件下，如何进一步提高识别准确率，如何建立一套适用于陶瓷热浸镀铝表面缺陷检测方法与装置，成为了亟待解决的问题。
发明内容
1、本发明的目的
本发明提供一种基于机器视觉的在线自动检测陶瓷热浸镀铝表面缺陷检测方法及装置，通过分析发现陶瓷热浸镀铝表面缺陷特征与合格表面在同种光源环境下对比度不强，无法在同一种光源环境下完成检测，因此，针对划痕、污点、缺边等主要缺陷类型。
2、本发明所采用的技术方案
本发明公开了一种基于机器视觉的陶瓷热浸镀铝表面缺陷检测方法，包括图像采集模块、图像处理分析模块、运输模块、产品剔除模块：
所述图像采集模块通过导向块导向到达两级光电开关位置后分别启动相机拍照采集图像数据；
所述图像处理分析模块包括第一图像处理分析模块和第二图像处理分析模块；
所述第一图像处理分析模块，采用同轴光打光方案，针对缺边污点检测包括如下步骤：
步骤2.1、获取所述图像采集模块采集的图片；
步骤2.2、对采集的图片进行灰度化处理，按照像素点的灰度值i，分为0-255级，图像总像素点个数为m，
Figure BDA0002110125150000021
其中mi为灰度值i的像素出现的频数；
步骤2.3、计算两个像素类的面积比，γ(t)为两个像素类的面积比，
Figure BDA0002110125150000022
t为某个阈值；
步骤2.4、定义σ为整幅图像的平均灰度值，
Figure BDA0002110125150000023
σ(t)为两个像素类的灰度比/>
Figure BDA0002110125150000024
定义类间方差为/>
Figure BDA0002110125150000025
求/>
Figure BDA0002110125150000026
为最大值时的t，作为图像的分割阈值T，即/>
Figure BDA0002110125150000027
(0≤t≤L-1)，arg表示反函数，该阈值T成为灰度图像的最小二乘法的最佳阈值；
步骤2.5、根据缺陷图像的特点，分析出灰度图像的最佳阈值
赋予对应的输出图像的像素为白色，其中High取255或1，或者黑色Low取0，即
Figure BDA0002110125150000028
步骤2.6、对图像采用原点位于中心的3*3对称结构元素的膨胀运算处理，物体间小于三个像素的缝隙都被膨胀所弥合；
步骤2.7、根据预先设定的缺陷标准对缺陷区域进行面积、长度、宽度的筛选，若识别出的缺陷面积、长度、宽度等超过所设阈值，则判定为不合格，同时发送信号给第一剔除模块；
污点检测包括如下步骤：步骤3.1、3.2、3.3、3.4同缺边检测步骤；
步骤3.5，频率域滤波图像差分增强，得到增强的待检测图像：
步骤3.5.1对图像进行二维FFT变换，输入图像为f(x,y)得到图像频谱图
Figure BDA0002110125150000031
其中u为水平频率，v为垂直频率；
步骤3.5.2、构建高频滤波器，对图像频谱图高频滤波，对图像与频域中的滤波器卷积运算，F(u,v)＝D[f(x,y)]，其中D[]表示DFT，滤波器的频率特性为S(u,v)，经IDFT得到s(i,j)，D-1[]表示IDFT；处理图像g(i,j)＝D-1[F(u,v)×S(u,v)]＝f(i,j)*s(i,j)；其中*符号为卷积运算；
步骤3.5.3，频域图像反傅里叶变换，
Figure BDA0002110125150000032
步骤3.5.4，将反傅里叶变换图像与原感兴趣区域进行差分，得到增强图像；
步骤3.6、采用形态学图像分割中的分水岭分割算法分割增强图像，将图像分为若干区域，分别计算其能量值，灰度值越小能量值越低，若能量值低于指定数值，则选中该区域；
步骤3.7、根据污点缺陷要求，根据所设面积阈值筛选出缺陷区域，若有缺陷，则判定为不合格，同时发送信号给所述第一剔除模块；
所述第二图像处理分析模块，采用低角度条形光打光方案突出划痕缺陷位置，针对划痕缺陷检测包括如下步骤：
同污点检测步骤4.1、4.2、4.3、4.4、4.5，由于陶瓷热浸镀铝表面划痕缺陷对比度较弱，故需对图像增强处理，得到增强的待检测图像；
步骤4.6、对得到的增强图像阈值分割处理；
步骤4.7、对分割后的图像特征选择，根据所设阈值与划痕缺陷的长度、宽度、面积要求进行筛选，若有缺陷，则判定为不合格，同时发送信号给第二剔除模块。
更进一步，所述图像采集模块包括第一相机和第二相机，第一光源和第二光源，第一光电开关和第二光电开关；所述第一光电开关和所述第二光电开关用来检测是否有工件通过，包括如下步骤:
步骤1.1、工件经导向块导向后，经所述第一光电开关；
步骤1.2、所述第一相机拍照；
步骤1.3、工件经所述第二光电开关；
步骤1.4、所述第二相机拍照。
更进一步，所述产品剔除模块包括第一剔除模块和第二剔除模块和收纳箱，所述第一剔除模块对所述第一图像分析处理模块识别的缺陷工件，剔除至所述收纳箱；所述第二剔除模块对所述第二图像分析处理模块识别的缺陷工件，剔除至所述收纳箱。
本发明公开了一种陶瓷热浸镀铝表面缺陷检测装置，包括电机、传送带、导向块、第一光电开关、第一光源、工业相机、第一剔除模块、第二光电开关、第二光源、收纳箱、第二剔除模块；
通过位于一端的电机驱动传送带将工件传输至第一光电开关、第二光电开关以及第一剔除模块、第二剔除模块位；
第一相机下面安装第一光源，所述第一光源为同轴光源；
第二相机下面安装第二光源，所述第二光源为条形光源；
每一级光电开关后都设置相机架进行图像采集；
每一级图像采集的相机位后面都设置剔除模块。
更进一步，所述工业第一相机、第二相机镜头型号为ML-MC35HR。
更进一步，所述传送带为橡胶传送带。
更进一步，所述第一剔除模块和第二剔除模块为气动推杆。
更进一步，述第一光电开关和所述第二光电开关型号为CX411PZ。
3、本发明所采用的有益效果
本发明提出了两种不同的打光方案和不同的检测方法以提高检测准确度。针对划痕、污点、缺边等主要缺陷类型，本发明提出了一种自适应的检测方法，针对不同的缺陷类型采用相应的检测算法以及相应的打光方案以提高检测准确度。
附图说明
图1为陶瓷镀铝表面缺陷检测装置的结构示意图。
图2为图像采集模块采集流程图。
图3为第一图像处理分析模块的缺陷识别流程图。
图4为第二图像处理分析模块的缺陷识别流程图。
图5为陶瓷热浸镀铝表面缺陷示意图，其中，(a)为缺边缺陷；(b)为污点缺陷；(c)为划痕缺陷。
图6为陶瓷热浸镀铝表面缺陷图像增强后示意图，其中(d)为污点缺陷；(e)为划痕缺陷。
图7为陶瓷热浸镀铝表面缺陷图像识别结果示意图，其中(f)为缺边缺陷；(g)为污点缺陷；(h)为划痕缺陷。
表1为陶瓷热浸镀铝表面在不同光源下各缺陷识别率
图1中：1、电机、2、传送带、3、导向块、4、光电开关5、第一光源、6、工业相机、7、第一剔除模块、8、第二光电开关9、第二光源、10、收纳箱、11、第二剔除模块。
具体实施方式
下面结合本发明实例中的附图，对本发明实例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域技术人员在没有做创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
下面将结合附图对本发明实例作进一步地详细描述。
实施例
陶瓷热浸镀铝表面划痕缺陷在同轴光环境下对比度较弱，无法准确测得划痕的长度和宽度，无法实现稳定准确的缺陷检测，而在低角度条形光源环境下能稳定实现划痕检测，在同轴光光源环境下能稳定实现缺边、污点缺陷检测，且准确率较高，针对这一情况，本发明采取两种不同的打光方案和不同的检测方法分别对缺陷产品进行检测。
本发明基于机器视觉处理技术，通过光电开关感应物体位置，借助工业相机，对图像进行采集、处理、识别，通过气动推杆剔除缺陷产品，实现了一套高可靠性，低成本的陶瓷镀铝表面缺陷检测系统，该系统的整体结构如图1所示
本发明的基于机器视觉的陶瓷热浸镀铝表面缺陷检测方法及其装置，包括图像采集模块、图像处理分析模块、运输模块、产品剔除模块，其中，
图像采集模块包括第一相机和第二相机，第一光源和第二光源，第一光电开关和第二光电开关。所述第一光电开关和所述第二光电开关用来检测是否有工件通过。
所述图像采集模块具体包括如下步骤:
步骤1.1、工件经导向块导向后，经所述第一光电开关。
步骤1.2、所述第一相机拍照。
步骤1.3、工件经所述第二光电开关。
步骤1.4、所述第二相机拍照。
所述图像处理分析模块包括第一图像处理分析模块和第二图像处理分析模块。
所述第一图像处理分析模块，采用同轴光打光方案，针对缺边(如图5(a))，污点(如图5(b))等缺陷，缺边检测包括如下步骤：
步骤2.1、获取所述图像采集模块采集的图片；
步骤2.2、对采集的图片进行灰度化处理，按照像素点的灰度值i分为0～255级，图像总像素点个数为m，
Figure BDA0002110125150000061
其中mi为灰度值i的像素出现的频数。
步骤2.3、计算两个像素类的面积比，γ(t)为两个像素类的面积比，
Figure BDA0002110125150000062
t为某个阈值。
步骤2.4、定义σ为整幅图像的平均灰度值，
Figure BDA0002110125150000063
σ(t)为两个像素类的灰度比/>
Figure BDA0002110125150000064
步骤2.4.1、定义类间方差为
Figure BDA0002110125150000065
求/>
Figure BDA0002110125150000066
为最大值时的t,作为图像的分割阈值T，即/>
Figure BDA0002110125150000067
(0≤t≤L-1),arg表示反函数，该阈值T成为灰度图像的最小二乘法的最佳阈值。
步骤2.5、根据缺陷图像的特点，分析出灰度图像的最佳阈值
赋予对应的输出图像的像素为白色(High取255或1)或者黑色(Low取0)，即
Figure BDA0002110125150000068
Figure BDA0002110125150000069
步骤2.6、对图像采用原点位于中心的3*3对称结构元素的膨胀运算处理，物体间小于三个像素的缝隙都被膨胀所弥合；
步骤2.7、根据预先设定的缺陷标准对缺陷区域进行面积、长度、宽度等的筛选，若识别出的缺陷面积、长度、宽度等超过所设阈值，则判定为不合格，同时发送信号给第一剔除模块；
污点检测包括如下步骤：步骤3.1、3.2、3.3、3.4同缺边检测步骤；
步骤3.5，频率域滤波图像差分增强。由于陶瓷热浸镀铝表面污点缺陷对比度较弱，面积较小，故需对图像增强处理，得到增强的待检测图像。如图6(d)所示。
步骤3.5.1对图像进行二维FFT(快速傅里叶变换)，输入图像为f(x,y)得到图像频谱图
Figure BDA0002110125150000071
其中u为水平频率，v为垂直频率，
步骤3.5.2，构建高频滤波器，对图像频谱图高频滤波，对图像与频域中的滤波器卷积运算，F(u,v)＝D[f(x,y)]，其中D[]表示DFT，滤波器的频率特性为S(u,v)，经IDFT得到s(i,j)，D-1[]表示IDFT。处理图像g(i,j)＝D-1[F(u,v)×S(u,v)]＝f(i,j)*s(i,j)。其中*符号为卷积运算；
步骤3.5.3，频域图像反傅里叶变换，
Figure BDA0002110125150000072
步骤3.5.4，将反傅里叶变换图像与原感兴趣(ROI)区域进行差分，得到增强图像；
步骤3.6，采用形态学图像分割中的分水岭分割算法分割增强图像，将图像分为若干区域，分别计算其能量值，灰度值越小能量值越低，若能量值低于指定数值，则选中该区域；
步骤3.7，根据污点缺陷要求，根据所设面积阈值筛选出缺陷区域，若有缺陷，则判定为不合格，同时发送信号给所述第一剔除模块。
所述第二图像处理分析模块，采用低角度条形光打光方案突出划痕缺陷位置，针对划痕缺陷(如图5(c))检测包括如下步骤：
同污点检测步骤4.1、4.2、4.3、4.4、4.5，由于陶瓷热浸镀铝表面划痕缺陷对比度较弱，故需对图像增强处理，得到增强的待检测图像。如图6(e)所示。
步骤4.6，对得到的增强图像阈值分割处理，
步骤4.7，对分割后的图像特征选择，根据所设阈值与划痕缺陷的长度、宽度、面积要求进行筛选，若有缺陷，则判定为不合格，同时发送信号给第二剔除模块.
所述产品剔除模块包括第一剔除模块和第二剔除模块和收纳箱。所述第一剔除模块对所述第一图像分析处理模块识别的缺陷工件，剔除至所述收纳箱。所述第二剔除模块对所述第二图像分析处理模块识别的缺陷工件，剔除至所述收纳箱。
所述运输模块，包括传送带和电机。
具体地，所述运输模块，包括传送带和电机。
具体地，所述工业第一相机镜头型号为ML-MC35HR，所述第一光源为同轴光源
具体地，所述工业第二相机镜头型号为ML-MC35HR，所述第二光源为条形光源
具体地，所述传送带为普通橡胶传送带。
具体地，所述第一剔除模块和第二剔除模块为气动推杆。
具体地，所述第一光电开关和所述第二光电开关型号为CX411PZ。
如下表一实验结果：
缺陷类型 光源类型 识别准确率
缺边 同轴光源 98.7％
污点 同轴光源 96.3％
划痕 低角度条形光源 97.6％
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (6)

1.一种基于机器视觉的陶瓷热浸镀铝表面缺陷检测方法，其特征在于包括图像采集模块、图像处理分析模块、运输模块、产品剔除模块：
所述图像采集模块通过导向块导向到达两级光电开关位置后分别启动相机拍照采集图像数据；
所述图像处理分析模块包括第一图像处理分析模块和第二图像处理分析模块；
所述第一图像处理分析模块，采用同轴光打光方案，针对缺边污点检测包括如下步骤：
步骤2.1、获取所述图像采集模块采集的图片；
步骤2.2、对采集的图片进行灰度化处理，按照像素点的灰度值i分为0-255级，图像总像素点个数为m，
Figure FDA0004166275050000011
其中mi为灰度值i的像素出现的频数；
步骤2.3、计算两个像素类的面积比，γ(t)为两个像素类的面积比，
Figure FDA0004166275050000012
Figure FDA0004166275050000013
t为某个阈值；
步骤2.4、定义σ为整幅图像的平均灰度值，
Figure FDA0004166275050000014
σ(t)为两个像素类的灰度比
Figure FDA0004166275050000015
定义类间方差为/>
Figure FDA0004166275050000016
求/>
Figure FDA0004166275050000017
为最大值时的t，作为图像的分割阈值T，即/>
Figure FDA0004166275050000018
arg表示反函数，该阈值T成为灰度图像的最小二乘法的最佳阈值；
步骤2.5、根据缺陷图像的特点，分析出灰度图像的最佳阈值
赋予对应的输出图像的像素为白色即灰度值为255，或者黑色即灰度值为0，即
Figure FDA0004166275050000019
步骤2.6、对图像采用原点位于中心的3*3对称结构元素的膨胀运算处理，物体间小于三个像素的缝隙都被膨胀所弥合；
步骤2.7、根据预先设定的缺陷标准对缺陷区域进行面积、长度、宽度的筛选，若识别出的缺陷面积、长度、宽度超过所设阈值，则判定为不合格，同时发送信号给第一剔除模块；
污点检测包括如下步骤：步骤3.1同步骤2.1、步骤3.2同步骤2.2、步骤3.3同步骤2.3、步骤3.4同步骤2.4；
步骤3.5，频率域滤波图像差分增强，得到增强的待检测图像：
步骤3.5.1对图像进行二维FFT变换，输入图像为f(x,y)得到图像频谱图
Figure FDA0004166275050000021
其中u为水平频率，v为垂直频率；
步骤3.5.2、构建高频滤波器，对图像频谱图高频滤波，对图像与频域中的滤波器卷积运算，F(u,v)＝D[f(x,y)]，其中D[]表示DFT，滤波器的频率特性为S(u,v)，经IDFT得到s(i,j)，D-1[]表示IDFT；处理图像g(i,j)＝D-1[F(u,v)×S(u,v)]＝f(i,j)*s(i,j)；其中*符号为卷积运算；
步骤3.5.3，频域图像反傅里叶变换，
Figure FDA0004166275050000022
步骤3.5.4，将反傅里叶变换图像与原感兴趣区域进行差分，得到增强图像；
步骤3.6、采用形态学图像分割中的分水岭分割算法分割增强图像，将图像分为若干区域，分别计算其能量值，灰度值越小能量值越低，若能量值低于指定数值，则选中该区域；
步骤3.7、根据污点缺陷要求，根据所设面积阈值筛选出缺陷区域，若有缺陷，则判定为不合格，同时发送信号给所述第一剔除模块；
所述第二图像处理分析模块，采用低角度条形光打光方案突出划痕缺陷位置，针对划痕缺陷检测包括如下步骤：
步骤4.1同步骤2.1、步骤4.2同步骤2.2、步骤4.3同步骤2.3、步骤4.4同步骤2.4、步骤4.5同步骤2.5，由于陶瓷热浸镀铝表面划痕缺陷对比度较弱，故需对图像增强处理，得到增强的待检测图像；
步骤4.6、对得到的增强图像阈值分割处理；
步骤4.7、对分割后的图像特征选择，根据所设阈值与划痕缺陷的长度、宽度、面积要求进行筛选，若有缺陷，则判定为不合格，同时发送信号给第二剔除模块。
2.根据权利要求1所述的基于机器视觉的陶瓷热浸镀铝表面缺陷检测方法，其特征在于所述图像采集模块包括第一相机和第二相机，第一光源和第二光源，第一光电开关和第二光电开关；所述第一光电开关和所述第二光电开关用来检测是否有工件通过，包括如下步骤:
步骤1.1、工件经导向块导向后，经所述第一光电开关；
步骤1.2、所述第一相机拍照；
步骤1.3、工件经所述第二光电开关；
步骤1.4、所述第二相机拍照。
3.根据权利要求1所述的基于机器视觉的陶瓷热浸镀铝表面缺陷检测方法，其特征在于：所述产品剔除模块包括第一剔除模块和第二剔除模块和收纳箱，所述第一剔除模块对所述第一图像处理分析模块识别的缺陷工件，剔除至所述收纳箱；所述第二剔除模块对所述第二图像处理分析模块识别的缺陷工件，剔除至所述收纳箱。
4.一种使用权利要求1所述的检测方法的陶瓷热浸镀铝表面缺陷检测装置，其特征在于包括电机、传送带、导向块、第一光电开关、第一光源、工业相机、第一剔除模块、第二光电开关、第二光源、收纳箱、第二剔除模块；
通过位于一端的电机驱动传送带将工件传输至第一光电开关、第二光电开关以及第一剔除模块、第二剔除模块位；
第一相机下面安装第一光源，所述第一光源为同轴光源；
第二相机下面安装第二光源，所述第二光源为条形光源；
每一级光电开关后都设置相机架进行图像采集；
每一级图像采集的相机位后面都设置剔除模块。
5.根据权利要求4所述的陶瓷热浸镀铝表面缺陷检测装置，其特征在于：所述传送带为橡胶传送带。
6.根据权利要求4所述的陶瓷热浸镀铝表面缺陷检测装置，其特征在于：所述第一剔除模块和第二剔除模块为气动推杆。
CN201910568299.3A 2019-06-27 2019-06-27 基于机器视觉的陶瓷热浸镀铝表面缺陷检测方法及装置 Active CN110288584B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910568299.3A CN110288584B (zh) 2019-06-27 2019-06-27 基于机器视觉的陶瓷热浸镀铝表面缺陷检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910568299.3A CN110288584B (zh) 2019-06-27 2019-06-27 基于机器视觉的陶瓷热浸镀铝表面缺陷检测方法及装置

Publications (2)

Publication Number Publication Date
CN110288584A CN110288584A (zh) 2019-09-27
CN110288584B true CN110288584B (zh) 2023-06-23

Family

ID=68019251

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910568299.3A Active CN110288584B (zh) 2019-06-27 2019-06-27 基于机器视觉的陶瓷热浸镀铝表面缺陷检测方法及装置

Country Status (1)

Country Link
CN (1) CN110288584B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111222445A (zh) * 2019-12-31 2020-06-02 江苏南高智能装备创新中心有限公司 吸管检测系统及其方法
CN111044529A (zh) * 2019-12-31 2020-04-21 四川索牌科技股份有限公司 一种方便面面饼检测系统及检测方法
CN111307820A (zh) * 2020-03-24 2020-06-19 江苏马格仕机械有限公司 一种基于机器视觉的陶瓷阀芯表面缺陷检测方法
CN111982921B (zh) * 2020-05-21 2023-11-03 北京安视中电科技有限公司 孔缺陷的检测方法、装置、传送平台及存储介质
CN111693533B (zh) * 2020-06-11 2023-01-20 南通通富微电子有限公司 工件表面质量的检测方法及检测装置、外观机
CN113761962B (zh) * 2021-09-13 2022-09-16 武汉先同科技有限公司 一种赋码产品视觉检测方法、系统以及存储介质
DE102021130143B3 (de) * 2021-11-18 2022-04-28 Audi Aktiengesellschaft Verfahren zum Bereitstellen von Lerndaten für ein KI-System und Verarbeitungssystem
TWI785912B (zh) * 2021-12-01 2022-12-01 開必拓數據股份有限公司 箔狀物之表面檢驗系統

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5046112A (en) * 1989-11-28 1991-09-03 Aluminum Company Of America Suppression of machine marks on image of workpiece surface
JP2000162150A (ja) * 1998-11-26 2000-06-16 Dainippon Printing Co Ltd 金属試料表面の欠陥検査方法及び装置
JP2000266686A (ja) * 1999-03-15 2000-09-29 Dainippon Printing Co Ltd 金属表面の検査方法及び装置
CN103091331A (zh) * 2013-01-11 2013-05-08 华中科技大学 一种rfid天线毛刺和污点缺陷的视觉检测系统及方法
CN104655644A (zh) * 2015-02-13 2015-05-27 华南理工大学 一种锂电池极片缺陷的自动检测方法及装置
JP2015125089A (ja) * 2013-12-27 2015-07-06 Ｊｆｅスチール株式会社 表面欠陥検出方法及び表面欠陥検出装置
US9355440B1 (en) * 2012-10-10 2016-05-31 Kla-Tencor Corp. Detection of selected defects in relatively noisy inspection data
CN106053479A (zh) * 2016-07-21 2016-10-26 湘潭大学 一种基于图像处理的工件外观缺陷的视觉检测系统
CN107341808A (zh) * 2017-06-08 2017-11-10 沈阳理工大学 基于车辙图像的模拟月壤硬度视觉检测系统及测量方法
CN107576664A (zh) * 2017-09-28 2018-01-12 清华大学 一种轧辊磨削表面缺陷机器视觉检测系统
CN107741427A (zh) * 2017-11-30 2018-02-27 南京航空航天大学 汽车发动机涡轮壳表面缺陷的机器视觉检测装置及方法
CN107796825A (zh) * 2016-09-01 2018-03-13 宁波舜宇光电信息有限公司 器件检测方法
CN108230324A (zh) * 2018-01-31 2018-06-29 浙江理工大学 磁瓦表面微缺陷视觉检测方法
CN108918529A (zh) * 2018-06-13 2018-11-30 佛山科学技术学院 一种透明介质的表面划痕成像检测装置及方法
CN109142375A (zh) * 2018-08-20 2019-01-04 宁波市智能制造产业研究院 一种用于靶材的高精度视觉检测系统及方法
CN109490316A (zh) * 2018-11-30 2019-03-19 熵智科技(深圳)有限公司 一种基于机器视觉的表面缺陷检测算法
CN109523541A (zh) * 2018-11-23 2019-03-26 五邑大学 一种基于视觉的金属表面细微缺陷检测方法
CN109540904A (zh) * 2018-12-12 2019-03-29 华侨大学 一种衬底表面宏观缺陷检测及分类系统
CN109816644A (zh) * 2019-01-16 2019-05-28 大连理工大学 一种基于多角度光源影像的轴承缺陷自动检测系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4183492B2 (ja) * 2002-11-27 2008-11-19 株式会社日立製作所 欠陥検査装置および欠陥検査方法

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5046112A (en) * 1989-11-28 1991-09-03 Aluminum Company Of America Suppression of machine marks on image of workpiece surface
JP2000162150A (ja) * 1998-11-26 2000-06-16 Dainippon Printing Co Ltd 金属試料表面の欠陥検査方法及び装置
JP2000266686A (ja) * 1999-03-15 2000-09-29 Dainippon Printing Co Ltd 金属表面の検査方法及び装置
US9355440B1 (en) * 2012-10-10 2016-05-31 Kla-Tencor Corp. Detection of selected defects in relatively noisy inspection data
CN103091331A (zh) * 2013-01-11 2013-05-08 华中科技大学 一种rfid天线毛刺和污点缺陷的视觉检测系统及方法
JP2015125089A (ja) * 2013-12-27 2015-07-06 Ｊｆｅスチール株式会社 表面欠陥検出方法及び表面欠陥検出装置
CN104655644A (zh) * 2015-02-13 2015-05-27 华南理工大学 一种锂电池极片缺陷的自动检测方法及装置
CN106053479A (zh) * 2016-07-21 2016-10-26 湘潭大学 一种基于图像处理的工件外观缺陷的视觉检测系统
CN107796825A (zh) * 2016-09-01 2018-03-13 宁波舜宇光电信息有限公司 器件检测方法
CN107341808A (zh) * 2017-06-08 2017-11-10 沈阳理工大学 基于车辙图像的模拟月壤硬度视觉检测系统及测量方法
CN107576664A (zh) * 2017-09-28 2018-01-12 清华大学 一种轧辊磨削表面缺陷机器视觉检测系统
CN107741427A (zh) * 2017-11-30 2018-02-27 南京航空航天大学 汽车发动机涡轮壳表面缺陷的机器视觉检测装置及方法
CN108230324A (zh) * 2018-01-31 2018-06-29 浙江理工大学 磁瓦表面微缺陷视觉检测方法
CN108918529A (zh) * 2018-06-13 2018-11-30 佛山科学技术学院 一种透明介质的表面划痕成像检测装置及方法
CN109142375A (zh) * 2018-08-20 2019-01-04 宁波市智能制造产业研究院 一种用于靶材的高精度视觉检测系统及方法
CN109523541A (zh) * 2018-11-23 2019-03-26 五邑大学 一种基于视觉的金属表面细微缺陷检测方法
CN109490316A (zh) * 2018-11-30 2019-03-19 熵智科技(深圳)有限公司 一种基于机器视觉的表面缺陷检测算法
CN109540904A (zh) * 2018-12-12 2019-03-29 华侨大学 一种衬底表面宏观缺陷检测及分类系统
CN109816644A (zh) * 2019-01-16 2019-05-28 大连理工大学 一种基于多角度光源影像的轴承缺陷自动检测系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于形态学玻璃屏幕表面划痕检测方法研究;赵文宏等;《浙江工业大学学报》;20160625(第03期);全文 *
基于机器视觉的日用瓷表面缺陷检测;谢森林等;《韩山师范学院学报》;20141215(第06期);全文 *
陶瓷水阀片表面缺陷图像检测方法研究;李方勇;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170415(第04期);第I138-429页 *

Also Published As

Publication number Publication date
CN110288584A (zh) 2019-09-27

Similar Documents

Publication Publication Date Title
CN110288584B (zh) 基于机器视觉的陶瓷热浸镀铝表面缺陷检测方法及装置
RU2763417C2 (ru) Система и связанный с ней способ обнаружения мелких дефектов на/в листе стекла на технологической линии
CN116721106B (zh) 一种基于图像处理的型材瑕疵视觉检测方法
CN109115785B (zh) 一种铸件打磨质量检测方法、装置及其使用方法
CN110267893B (zh) 用于在线测量玻璃板的光学特性的系统及相关方法
EP1664749B1 (en) Apparatus and method for automated web inspection
CN108230324B (zh) 磁瓦表面微缺陷视觉检测方法
CN111257348B (zh) 一种基于机器视觉的led导光板缺陷检测方法
US20120098959A1 (en) Method and apparatus for measuring transmitted optical distortion in glass sheets
CN108918093B (zh) 一种滤光片镜面缺陷检测方法、装置及终端设备
CN105447489B (zh) 一种图片ocr识别系统的字符与背景粘连噪声消除方法
CN108318491A (zh) 一种基于频谱曲率分析的织物缺陷检测方法
CN110070523B (zh) 一种用于瓶底的异物检测方法
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
CN116777907A (zh) 一种钣金件质量检测方法
CN115931898A (zh) 一种陶瓷基板表面缺陷视觉检测方法、装置及存储介质
CN114998314B (zh) 一种基于计算机视觉的pcb电路板缺陷检测方法
CN111551559A (zh) 一种基于多目视觉系统的lcd液晶屏缺陷检测方法
CN112102278A (zh) 一种基于计算机视觉的金属工件加工面缺陷检测方法
CN111693535A (zh) 基于机器视觉分析的触摸屏缺陷检测设备及方法
CN107133952A (zh) 一种融合时频特征的表面裂痕识别方法
CN107545565B (zh) 一种太阳能网版检测方法
CN109584239B (zh) 一种基于反射光的高光物体表面缺陷检测系统及方法
CN115984836A (zh) 一种铁路油罐车罐口识别定位方法
CN114037682A (zh) 一种光学元件表面疵病二维自动检测方法

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
GR01 Patent grant
GR01 Patent grant