CN110530883A - 一种缺陷检测方法 - Google Patents

一种缺陷检测方法 Download PDF

Info

Publication number
CN110530883A
CN110530883A CN201910942214.3A CN201910942214A CN110530883A CN 110530883 A CN110530883 A CN 110530883A CN 201910942214 A CN201910942214 A CN 201910942214A CN 110530883 A CN110530883 A CN 110530883A
Authority
CN
China
Prior art keywords
image
frequency domain
filter
normalized
domain filtering
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
Application number
CN201910942214.3A
Other languages
English (en)
Other versions
CN110530883B (zh
Inventor
杨英豪
姚毅
包振键
李程
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.)
Luster LightTech Co Ltd
Original Assignee
Luster LightTech 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 Luster LightTech Co Ltd filed Critical Luster LightTech Co Ltd
Priority to CN201910942214.3A priority Critical patent/CN110530883B/zh
Publication of CN110530883A publication Critical patent/CN110530883A/zh
Application granted granted Critical
Publication of CN110530883B publication Critical patent/CN110530883B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration by the use of histogram techniques
    • G06T5/70—
    • 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
    • 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

Abstract

本申请涉及表面缺陷检测技术领域，尤其涉及一种缺陷检测方法。该方法包括：获取待检测图像；根据预设的滤波器，对所述待检测图像进行频域滤波，获得第一频域滤波图像；对所述第一频域滤波图像进行归一化处理，获得第一归一化图像；根据预设的上限阈值和下限阈值，分割所述第一归一化图像，确定缺陷区域；其中，所述滤波器、所述上限阈值以及所述下限阈值均根据与所述待检测图像对应的理想背景图像确定。本申请实施例提供的的缺陷检测方法，实现了在复杂背景下的缺陷检测，并且具有较高的检测精度，有助于控制产品的质量，提高生产产能。

Description

一种缺陷检测方法
技术领域
本申请涉及表面缺陷检测技术领域，尤其涉及一种缺陷检测方法。
背景技术
在工业生产中，产品表面上的缺陷不仅会影响产品的外观，而且可能会影响产品的性能和使用寿命。因此，在生产过程中，需要对产品进行表面缺陷检测。
目前，通常采用机器视觉对产品进行表面缺陷检测，以避免人工检测准确率低、成本高的问题。具体地，计算机在进行缺陷检测的过程中，首先会控制摄像头拍摄一张被检测产品的图像。其次，根据图像中缺陷和背景的灰度差异做阈值分割，确定出缺陷在图像中的位置。
然而，对于背景比较复杂的反射场图像，例如图1所示的带有开口泡缺陷的光伏玻璃图像，其背景与缺陷的灰度差异通常较小，采用上述基于灰度值的缺陷检测方法，将很难检测出缺陷的位置，更加无法保证缺陷检测的准确率。因此，亟待提供一种适用于复杂背景图像的缺陷检测方法。
发明内容
本申请提供了一种缺陷检测方法，以解决现有的缺陷检测方法对于复杂背景图像检测准确率低的问题。
本申请实施例提供一种缺陷检测方法，所述方法包括：获取待检测图像；根据预设的滤波器，对所述待检测图像进行频域滤波，获得第一频域滤波图像；对所述第一频域滤波图像进行归一化处理，获得第一归一化图像；根据预设的上限阈值和下限阈值，分割所述第一归一化图像，确定缺陷区域；其中，所述滤波器、所述上限阈值以及所述下限阈值均根据与所述待检测图像对应的理想背景图像确定。
可选的，根据预设的滤波器，对所述待检测图像进行频域滤波，获得第一频域滤波图像，包括：对所述待检测图像进行傅立叶变换，获得第一傅立叶图像；将所述预设的滤波器与所述第一傅立叶图像相乘，获得乘积；对所述乘积进行傅立叶逆变换，获得第一频域滤波图像。
可选的，对所述第一频域滤波图像进行归一化处理，获得第一归一化图像，包括：通过归一化公式S＝F×g+d，对所述第一频域滤波图像进行归一化处理，获得第一归一化图像，其中，S为第一归一化图像，F为所述第一频域滤波图像，g为增益，d为灰度的目标值。
可选的，根据预设的上限阈值和下限阈值，分割所述归一化图像，确定缺陷区域，包括：将所述第一归一化图像中每一个像素点的像素值与所述上限阈值和所述下限阈值进行比较，如果所述像素值小于所述下限阈值，或者大于所述上限阈值，则将所述像素点确定为缺陷像素点；将所有所述缺陷像素点所在区域确定为缺陷区域。
可选的，所述滤波器、所述上限阈值以及所述下限阈值通过如下方法确定：获取理想背景图像；对所述理想背景图像进行傅立叶变换，获得第二傅立叶图像；确定所述第二傅立叶图像的频谱分布直方图；根据所述频谱分布直方图，计算截止频率；根据所述截止频率，计算所述滤波器的频域方差系数；根据所述频域方差系数，计算所述滤波器；使用所述滤波器，对所述理想背景图像进行频域滤波，确定第二频域滤波图像；对所述第二频域滤波图像进行归一化处理，获得第二归一化图像；根据所述第二归一化图像的灰度直方图，确定所述下限阈值和所述上限阈值。
可选的，确定所述第二傅立叶图像的频谱分布直方图，包括：在所述第二傅立叶图像中划分统计区域；计算每个所述统计区域内的累积能量E，并根据差分计算公式△E＝E(r+1)–E(r)计算差分△E；绘制r-E曲线和r-△E曲线，将所述r-E曲线和所述r-△E曲线确定为频谱分布直方图像。
可选的，所述统计区域为环状椭圆区域，或者矩形环状区域。
可选的，所述滤波器为高斯带通滤波器、理想带通滤波器或正弦滤波器。
本申请实施例提供的技术方案包括以下的有益效果：
本申请实施例提供的的缺陷检测方法，先对待检测图像进行频域滤波，再对其进行图像分割，实现了在复杂背景下的缺陷检测，并且具有较高的检测精度，有助于控制产品的质量，提高生产产能。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的光伏玻璃的反射场图像；
图2为本申请实施例提供的一种离线频谱分析方法的流程图；
图3为本申请实施例提供的理想背景图像的示意图；
图4为本申请实施例提供的第二傅立叶图像；
图5为本申请实施例提供的第二傅立叶图像的统计区域划分示意图；
图6a为本申请实施例提供的频谱分布直方图一；
图6b为本申请实施例提供的频谱分布直方图二；
图7为本申请实施例提供的高斯带通滤波器和理想带通滤波器的对应关系示意图；
图8为本申请实施例提供的灰度直方图；
图9为本申请实施例提供的缺陷检测方法的流程图；
图10a为本申请实施例提供的一种待检测图像；
图10b为本申请实施例提供的待检测图像对应的第一频域滤波图像；
图10c为本申请实施例提供的待检测图像对应的第一归一化图像；
图10d为本申请实施例提供的待检测图像对应的缺陷图像。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
首先，需要说明的是，本实施例提供的缺陷检测方法是基于反射场图像进行的，其中，反射场图像是相机根据被检测物体的反射光线形成的图像。在拍摄反射场图像的过程中，相机和光源在被检测物体的同一侧，光源发出光线，照射到被检测物体表面，再反射到相机中，形成反射场图像。反射场图像能够反映被检测物体表面凹凸不平的特性，如果被检测物体表面带有纹理，就会形成背景复杂的反射场图像。
有缺陷的复杂背景反射场图像I可以看作是一个纹理背景图层和一个缺陷前景图层的叠加，即
I＝B+D (1)
式(1)中，I是反射场图像，B是纹理背景图像，D是缺陷前景图像。
则式(1)的FFT(傅立叶)变换也有以下关系：
FI＝FB+FD (2)
式(2)中，FI、FB和FD分别是反射场图像、纹理背景图像、缺陷前景图像的FFT变换。
设Ω是FB是分布最少，极值很小的区域，是Ω的补集，则根据FFT逆变换公式可以得到公式(3)：
中，M是反射场图像的宽度，N是反射场图像的高度，I是反射场图像，B是纹理背景图像，D是缺陷前景图像，FI、FB、FD分别是反射场图像，纹理背景图像、缺陷前景图像的FFT变换。
根据公式(3)可知，如果我们能找到Ω区域，并且对图像的频谱只保留这一部分，滤除掉区域，那么，得到的频域滤波图像中，背景的响应小，缺陷的响应大，便于进行阈值分割提取缺陷。
基于上述内容，本申请实施例提供一种缺陷检测方法，用于对复杂背景图像(即具有复杂背景的反射场图像)进行缺陷检测，确定出缺陷在该图像中的位置。例如，从图1所示的带有开口泡缺陷的光伏玻璃反射场图像中，确定出开口泡缺陷的位置。由于该缺陷检测方法的执行依赖于预设的滤波器、上限阈值以及下限阈值等参数，因此本申请实施首先对这些预设的参数的确定过程进行说明。
请参阅图2，本申请实施例提供一种离线频谱分析方法，以确定滤波器、上限阈值以及下限阈值等预设的参数，该方法包括如下步骤S201-S209。
步骤S201，获取理想背景图像。
在本申请实施例中，请参阅图3示例性示出理想背景图像，该理想背景图像是指，与待检测图像的背景区域(非缺陷区域)纹理图案相同或者非常相似的反射场图像，理想背景图像中不存在缺陷区域，并且与待检测图像具有相同的成像条件。该成像条件包括成像设备、拍摄对象以及曝光条件等。在一个示例中，该成像设备可以为工业相机，如线阵相机。该拍摄对象为与待检测图像相同的，但是无缺陷的拍摄对象，如零件表面。该曝光条件包括曝光时间、曝光强度等参数。
步骤S202，对理想背景图像进行傅立叶变换，获得第二傅立叶图像。
在一个示例中，对图3所示的理想背景图像进行傅立叶变换之后，可以获得图4所示的第二傅立叶图像，将理想背景图像的频谱提取出来。在该步骤S202中，对图像进行傅立叶变化的具体过程可参见现有技术，本实施例在此不进行描述。
步骤S203，确定第二傅立叶图像的频谱分布直方图。
在第二傅立叶图像中划分统计区域。在本实施中，该统计区域可以为环状椭圆、环状矩形等形状，本实施例对此不进行限制。
在一个示例中，采用环状椭圆作为统计区域，该统计区域的划分具体如下所示。以第二傅立叶图像的中心为起点，将第二傅立叶图像的正向横半轴(长度W/2)和正向纵半轴(长度H/2)，分别等分成K份小线段。若K＝100，则横向小线段长度为△w＝W/200，纵向小线段长度△h＝H/200。取k(k∈[1,100])个横向小线段和k个纵向小线段分别作为椭圆的长轴和短轴，以第二傅立叶图像的中心为椭圆的中心，在第二傅立叶图像中确定K个椭圆。以K＝4为例，该统计区域划分示意图如图5所示。
每两个椭圆之间的环状区域就是频谱分布直方图的统计区域，将这些环状区域记为Rr(r＝1,2,3,4...100)，r是环状区域外环椭圆长轴或短轴所占的小线段的个数。采用环状椭圆作为统计区域，可以检测各个方向上的缺陷，采取图像的等分线段作为统计区域的划分单位，有助于克服图像尺寸的差异性。
其中，W为第二傅立叶图像的宽度，H为第二傅立叶图像的高度。若以第二傅立叶图像的中心建立平面直角坐标系，且该坐标系的横轴和纵轴分别与第二傅立叶图像的横边和纵边平行，那么，正向横半轴为第二傅立叶图像中，与该坐标系正向横轴重合的区域；正向纵半轴为第二傅立叶图像中，与该坐标系正向纵轴重合的区域。
根据能量计算公式计算每个椭圆圆环Rr内的累积能量E，并根据差分计算公式△E＝E(r+1)–E(r)计算差分△E。绘制r-E曲线和r-△E曲线，r-E曲线和r-△E曲线即为频谱分布直方图像。在一个示例中，r-E曲线和r-△E曲线分别如图6a和6b所示。
步骤S204，根据频谱分布直方图，计算截止频率。
在图6a和6b中，用椭圆圈出的区域，背景的频谱分量最小，而缺陷的频谱分量相对较大，该区域对应理想背景图像的频谱低分布区(即Ω区域)，包含了Rrl到Rrh之间所有的环状区域。因为第二傅立叶变换图像的横纵坐标的含义是频率值，所以Rrl对应的椭圆横轴长为rl*△w即为横向下限截止频率为flu；Rrl对应的椭圆纵轴长为rl*△h即为纵向下限截止频率为flv；Rrh对应的椭圆横轴长为rh*△w即为横向上限截止频率为fhu；Rrh对应的椭圆纵轴长为rh*△h即为纵向上限截止频率为fhv。
其中，rl表示环状区域中，靠近第二傅立叶图像中心的圆环所占的横向或者纵向小线段的个数。rh表示环状区域中，靠近第二傅立叶图像中心的圆环所占的横向或者纵向小线段的个数。
步骤S205，根据截止频率，计算滤波器的频域方差系数。
滤波器可以为理想带通滤波器、高斯带通滤波器、正弦滤波器等。由于理想带通滤波器某点的滤波值受整个图像空间的影响，不只取决于他的邻域，这样背景处的滤波值就会受其他区域有无缺陷的影响，不会形成固定的灰度分布，不能找到固定阈值进行分割。此外，高斯函数的FFT(傅立叶变换)依然是高斯函数，在频域滤波之后，其滤波值等于空域在固定窗口下的卷积，且滤波值只取决于邻域的像素，背景的滤波值会形成固定的灰度分布，便于阈值分割。因此，本实施例采用高斯带通滤波器对该步骤S205进行说明。
高斯带通滤波器和理想带通滤波器的对应关系如图7所示，其中，曲线部分为高斯带通滤波器的函数图像。
二维频域高斯滤波器的公式是：
式(4)中，σu和σv分别是频域高斯滤波器的横向和纵向方差系数。
设du和dv分别是跟高斯滤波器近似的理想滤波器的横向截止频率和纵向截止频率，在这两个截止频率处，高斯带通滤波器的取值是1/e。则
将上文得到的横向下限截止频率flu和纵向下限截止频率flv代入入公式(5)，可得高斯带通滤波器的频域方差系数σlu和σlv；将上文得到的横向上限截止频率fhu和纵向上限截止频率fhv代入入公式(5)，可得高斯带通滤波器的频域方差系数为σhu和σhv。根据这一组频域方差系数可以进行频域滤波。
步骤S206，根据滤波器的频域方差系数，计算滤波器。
在本实施例中，以根据高斯带通滤波器的频域方差系数，计算高斯带通滤波器为例，对该步骤S206进行说明。
具体地，将σlu和σlv代入公式(4)，u取-M/2到M/2之间遍历，v取-N/2到N/2之间遍历可以得到频域高斯图像A；将σhu和σhv代入公式(4)，u取-M/2到M/2之间遍历，v取-N/2到N/2之间遍历可以得到频域高斯图像B；将图像A与图像B做差，就可以得到高斯带通滤波器K。其中，M×N是理想背景图像的尺寸。
步骤S207，使用滤波器对理想背景图像进行频域滤波，确定第二频域滤波图像。
在一个示例中，对理想背景图像I进行傅立叶变换，获得第二傅立叶图像，将该第二傅立叶图像与高斯带通滤波器K相乘，再求其乘积的逆变换，即可得到第二频域滤波图像F＝F-1(F(I)*K)。
步骤S208，对第二频域滤波图像进行归一化处理，获得第二归一化图像。
因为频域滤波图像的灰度值都很小，为了方便查看和可以同时检测比背景亮或暗的缺陷，使用公式(7)针对第二频域滤波图像进行线性变换的归一化。
S＝F×g+d (7)
式(7)中，F是第二频域滤波图像，S是第二归一化图像，g是增益，d是灰度的目标值。
步骤S209，根据第二归一化图像的灰度直方图，确定下限阈值和上限阈值。
经过频域滤波后，理想背景图片的背景信息比较稳定，背景的灰度值离散程度比较小，此时可以通过直方图分析法来确定阈值，得到较为可靠的阈值。
在灰度直方图中(例如图8)，横坐标的含义是图像中的各个灰度值，纵坐标的含义是统计该灰度值在图像中出现的次数。从灰度直方图中，可以确定出图像灰度的最小值和最大值，对该最小值减去一个余量后，即为下限阈值Tl；对该最大值增加一个余量后，即为上限阈值Th。
通过上述步骤S201-S209，即可确定频率高斯带通滤波器、上限阈值以及下限阈值。其中，需要说明的是，不同的被检测对象的表面通常存在差异，因此，不同的被检测对象通常对应不同的理想背景图像，进而对应不同的频率高斯带通滤波器、上限阈值和下限阈值。
下面将对本实施提供的一种缺陷检测方法进行详细的说明，该方法用于对复杂背景图像进行缺陷检测，确定出缺陷在该图像中的位置。请参阅图9，本实施提供的缺陷检测方法包括如下步骤S901-S904。
步骤S901，获取待检测图像。
在本实施例中，待检测图像是一个反射场图像，通过工业相机拍摄被检测物体的被检测表面区域获得。在该缺陷检测方法的具体实施过程中，该待检测图像可能是一个无缺陷的图像，也可能是一个有缺陷的图像(例如图10a)，具体根据实际场景确定。
步骤S902，根据预设的滤波器，对待检测图像进行频域滤波，获得第一频域滤波图像。
频域滤波比其他形式的滤波(例如空间域滤波)具有更高的处理速度。在一个示例中，取该滤波器为高斯带通滤波器。具体地，在获取待检测图像之后，首先，对该待检测图像进行傅立叶变换，获得第一傅立叶图像。其次，使用预设的高斯带通滤波器K与第一傅立叶图像相乘。其中，高斯带通滤波器的确定方法参见上述步骤S201-S209，本实施例在此不进行赘述。最后，对高斯带通滤波器与待检测图像相乘的乘积进行傅立叶逆变换，获得第一频域滤波图像。
在一个示例中，对图10a示出的待检测图像进行频域滤波之后，可以获得如图10b所示的第一频域滤波图像。
步骤S903，对第一频域滤波图像进行归一化处理，获得归一化图像。
在一个示例中，对图10b所示的第一频域滤波图像进行归一化处理之后，可获得如图10c示出的归一化图像。
步骤S904，根据预设的上限阈值和下限阈值分割第一归一化图像，确定缺陷区域。
具体地，在该步骤S904中，将第一归一化图像中每一个像素点的像素值与该上限阈值和下限阈值进行比较，如果该像素值在该上限阈值和下限阈值之间，则将该像素点确定为背景图像的像素点。如果该像素值不在该上限阈值和下限阈值之间，则将该像素点确定为缺陷的像素点。通过该方法即可确定出缺陷区域。
示例性的，根据预设的上限阈值和下限阈值，对图10c示出的第一归一化图像进行分割之后，可获得图10c所示的图像，在该图像中，白色点状区域即为缺陷区域。
综上所述，本申请实施例提供的的缺陷检测方法，先对待检测图像进行频域滤波，再对其进行图像分割，实现了在复杂背景下的缺陷检测，并且具有较高的检测精度，有助于控制产品的质量，提高生产产能。
需要说明的是，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
应当理解的是，本申请并不局限于上面已经描述的内容，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (8)

1.一种缺陷检测方法，其特征在于，所述方法包括：
获取待检测图像；
根据预设的滤波器，对所述待检测图像进行频域滤波，获得第一频域滤波图像；
对所述第一频域滤波图像进行归一化处理，获得第一归一化图像；
根据预设的上限阈值和下限阈值，分割所述第一归一化图像，确定缺陷区域；
其中，所述滤波器、所述上限阈值以及所述下限阈值均根据与所述待检测图像对应的理想背景图像确定。
2.根据权利要求1所述的方法，其特征在于，根据预设的滤波器，对所述待检测图像进行频域滤波，获得第一频域滤波图像，包括：
对所述待检测图像进行傅立叶变换，获得第一傅立叶图像；
将所述预设的滤波器与所述第一傅立叶图像相乘，获得乘积；
对所述乘积进行傅立叶逆变换，获得第一频域滤波图像。
3.根据权利要求1或2所述的方法，其特征在于，对所述第一频域滤波图像进行归一化处理，获得第一归一化图像，包括：
通过归一化公式S＝F×g+d，对所述第一频域滤波图像进行归一化处理，获得第一归一化图像，其中，S为第一归一化图像，F为所述第一频域滤波图像，g为增益，d为灰度的目标值。
4.根据权利要求1所述的方法，其特征在于，根据预设的上限阈值和下限阈值，分割所述归一化图像，确定缺陷区域，包括：
将所述第一归一化图像中每一个像素点的像素值与所述上限阈值和所述下限阈值进行比较，如果所述像素值小于所述下限阈值，或者大于所述上限阈值，则将所述像素点确定为缺陷像素点；
将所有所述缺陷像素点所在区域确定为缺陷区域。
5.根据权利要求1所述的方法，其特征在于，所述滤波器、所述上限阈值以及所述下限阈值通过如下方法确定：
获取理想背景图像；
对所述理想背景图像进行傅立叶变换，获得第二傅立叶图像；
确定所述第二傅立叶图像的频谱分布直方图；
根据所述频谱分布直方图，计算截止频率；
根据所述截止频率，计算所述滤波器的频域方差系数；
根据所述频域方差系数，计算所述滤波器；
使用所述滤波器，对所述理想背景图像进行频域滤波，确定第二频域滤波图像；
对所述第二频域滤波图像进行归一化处理，获得第二归一化图像；
根据所述第二归一化图像的灰度直方图，确定所述下限阈值和所述上限阈值。
6.根据权利要求5所述的方法，其特征在于，确定所述第二傅立叶图像的频谱分布直方图，包括：
在所述第二傅立叶图像中划分统计区域；
计算每个所述统计区域内的累积能量E，并根据差分计算公式△E＝E(r+1)–E(r)计算差分△E；
绘制r-E曲线和r-△E曲线，将所述r-E曲线和所述r-△E曲线确定为频谱分布直方图像。
7.根据权利要求6所述的方法，其特征在于，所述统计区域为环状椭圆区域，或者矩形环状区域。
8.根据权利要求1、2或5所述的方法，其特征在于，所述滤波器为高斯带通滤波器、理想带通滤波器或正弦滤波器。
CN201910942214.3A 2019-09-30 2019-09-30 一种缺陷检测方法 Active CN110530883B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910942214.3A CN110530883B (zh) 2019-09-30 2019-09-30 一种缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910942214.3A CN110530883B (zh) 2019-09-30 2019-09-30 一种缺陷检测方法

Publications (2)

Publication Number Publication Date
CN110530883A true CN110530883A (zh) 2019-12-03
CN110530883B CN110530883B (zh) 2022-08-02

Family

ID=68671112

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910942214.3A Active CN110530883B (zh) 2019-09-30 2019-09-30 一种缺陷检测方法

Country Status (1)

Country Link
CN (1) CN110530883B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112598647A (zh) * 2020-12-24 2021-04-02 凌云光技术股份有限公司 一种弧形面渐变背景下弱线缺陷的检测方法
CN112686896A (zh) * 2021-03-12 2021-04-20 苏州鼎纳自动化技术有限公司 基于分割网络的频域空间结合的玻璃缺陷检测方法
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
CN114170200A (zh) * 2021-12-13 2022-03-11 沭阳鑫洪锐金属制品有限公司 基于人工智能的金属点蚀缺陷程度评估方法及系统
CN114240888A (zh) * 2021-12-17 2022-03-25 沭阳安宏木制品厂 一种基于图像处理的家具组件喷漆缺陷修复方法及系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009110850A1 (en) * 2008-03-03 2009-09-11 Agency For Science, Technology And Research A method and system of segmenting ct scan data
CN102663410A (zh) * 2012-02-27 2012-09-12 北京交通大学 一种乳腺图像微钙化点的检测方法和系统
JP2016194827A (ja) * 2015-03-31 2016-11-17 富士フイルム株式会社 導電性フィルム、これを備える表示装置及び導電性フィルムの評価方法
CN107194919A (zh) * 2017-05-18 2017-09-22 南京大学 基于规律纹理背景重建的手机屏幕缺陷检测方法
CN107561736A (zh) * 2017-08-04 2018-01-09 南京理工大学 基于傅里叶及Hough变换的LCD缺陷检测方法
CN108107611A (zh) * 2016-11-24 2018-06-01 研祥智能科技股份有限公司 一种自适应缺陷检测方法、装置及电子设备
CN108876768A (zh) * 2018-05-30 2018-11-23 杭州舜浩科技有限公司 导光板暗影缺陷检测方法
CN108961225A (zh) * 2018-06-21 2018-12-07 重庆信息通信研究院 周期性纹理抑制方法以及装置
CN109345528A (zh) * 2018-09-28 2019-02-15 凌云光技术集团有限责任公司 一种基于人眼视觉特性的显示屏缺陷检测方法及装置
CN109781736A (zh) * 2019-01-09 2019-05-21 中导光电设备股份有限公司 一种晶元纹理图像周期的自动测量方法和系统
US20190197678A1 (en) * 2016-08-29 2019-06-27 Wuhan Jingce Electronic Group Co., Ltd. Gpu-based tft-lcd mura defect detection method
CN110084768A (zh) * 2019-05-10 2019-08-02 江南大学 基于背景滤波的lcd导光板的缺陷检测方法
CN110111301A (zh) * 2019-03-21 2019-08-09 广东工业大学 基于频域变换的金属氧化表面缺陷视觉检测方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009110850A1 (en) * 2008-03-03 2009-09-11 Agency For Science, Technology And Research A method and system of segmenting ct scan data
CN102663410A (zh) * 2012-02-27 2012-09-12 北京交通大学 一种乳腺图像微钙化点的检测方法和系统
JP2016194827A (ja) * 2015-03-31 2016-11-17 富士フイルム株式会社 導電性フィルム、これを備える表示装置及び導電性フィルムの評価方法
US20190197678A1 (en) * 2016-08-29 2019-06-27 Wuhan Jingce Electronic Group Co., Ltd. Gpu-based tft-lcd mura defect detection method
CN108107611A (zh) * 2016-11-24 2018-06-01 研祥智能科技股份有限公司 一种自适应缺陷检测方法、装置及电子设备
CN107194919A (zh) * 2017-05-18 2017-09-22 南京大学 基于规律纹理背景重建的手机屏幕缺陷检测方法
CN107561736A (zh) * 2017-08-04 2018-01-09 南京理工大学 基于傅里叶及Hough变换的LCD缺陷检测方法
CN108876768A (zh) * 2018-05-30 2018-11-23 杭州舜浩科技有限公司 导光板暗影缺陷检测方法
CN108961225A (zh) * 2018-06-21 2018-12-07 重庆信息通信研究院 周期性纹理抑制方法以及装置
CN109345528A (zh) * 2018-09-28 2019-02-15 凌云光技术集团有限责任公司 一种基于人眼视觉特性的显示屏缺陷检测方法及装置
CN109781736A (zh) * 2019-01-09 2019-05-21 中导光电设备股份有限公司 一种晶元纹理图像周期的自动测量方法和系统
CN110111301A (zh) * 2019-03-21 2019-08-09 广东工业大学 基于频域变换的金属氧化表面缺陷视觉检测方法
CN110084768A (zh) * 2019-05-10 2019-08-02 江南大学 基于背景滤波的lcd导光板的缺陷检测方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
DU-MING TSAI ET AL: "Defect Inspection of Liquid-Crystal-Display (LCD) Panels in Repetitive Pattern Images Using 2D Fourier Image Reconstruction", 《ICAS 2018 : THE FOURTEENTH INTERNATIONAL CONFERENCE ON AUTONOMIC AND AUTONOMOUS SYSTEMS》 *
GUO BO ET AL: "TFT-LCD spot-type defect detection in module process", 《ADVANCED MATERIALS RESEARCH》 *
史艳琼等: "周期纹理背景中的表面缺陷检测技术", 《测控技术》 *
周永章等: "《地球科学大数据挖掘与机器学习》", 30 September 2018, 广州：中山大学出版社 *
孙华魁: "《数字图像处理与识别技术研究》", 31 May 2019, 天津科学技术出版社 *
易瑶等: "基于背景估计和同态滤波的眼底图像归一化", 《计算机工程》 *
李晓舟等: "微小尺寸零件表面缺陷光学检测方法", 《兵工学报》 *
钟丽辉等: "基于MATLAB的工程实践性"数字信号处理"实验改革初探", 《工业和信息化教育》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112598647A (zh) * 2020-12-24 2021-04-02 凌云光技术股份有限公司 一种弧形面渐变背景下弱线缺陷的检测方法
CN112686896A (zh) * 2021-03-12 2021-04-20 苏州鼎纳自动化技术有限公司 基于分割网络的频域空间结合的玻璃缺陷检测方法
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
CN114170200A (zh) * 2021-12-13 2022-03-11 沭阳鑫洪锐金属制品有限公司 基于人工智能的金属点蚀缺陷程度评估方法及系统
CN114240888A (zh) * 2021-12-17 2022-03-25 沭阳安宏木制品厂 一种基于图像处理的家具组件喷漆缺陷修复方法及系统

Also Published As

Publication number Publication date
CN110530883B (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
CN110530883A (zh) 一种缺陷检测方法
CN108921176B (zh) 一种基于机器视觉的指针式仪表定位与识别方法
CN106856002B (zh) 一种无人机拍摄图像质量评价方法
CN106934803B (zh) 电子器件表面缺陷的检测方法及装置
CN108876743B (zh) 一种图像快速去雾方法、系统、终端及存储介质
CN111968144B (zh) 一种图像边缘点获取方法及装置
CN107228860B (zh) 一种基于图像旋转周期特性的齿轮缺陷检测方法
GB2569751A (en) Static infrared thermal image processing-based underground pipe leakage detection method
CN107657606B (zh) 一种显示装置的亮度缺陷检测方法与装置
WO2021109697A1 (zh) 字符分割方法、装置以及计算机可读存储介质
CN116168026A (zh) 基于计算机视觉的水质检测方法及系统
CN110378946B (zh) 深度图处理方法、装置以及电子设备
CN115272321B (zh) 一种基于机器视觉的纺织品缺陷检测方法
CN111080661A (zh) 基于图像的直线检测方法、装置以及电子设备
CN105741244B (zh) 一种室内巡检机器人弱光下去除阴影和光晕的方法
CN106157264B (zh) 基于经验模式分解的大幅面图像不均匀光照校正方法
CN106296670A (zh) 一种基于Retinex‑分水岭‑Canny算子的红外图像边缘检测方法
CN117252868B (zh) 基于机器视觉的直流屏缺陷检测方法
CN110084768A (zh) 基于背景滤波的lcd导光板的缺陷检测方法
CN110245600A (zh) 自适应起始快速笔画宽度无人机道路检测方法
CN116664565A (zh) 一种光伏太阳能电池片的隐裂检测方法及系统
CN111354047B (zh) 一种基于计算机视觉的摄像模组定位方法及系统
CN114170165A (zh) 一种芯片表面缺陷检测方法和装置
CN114140416A (zh) 一种基于机器视觉的玻璃边缘检测方法和系统
CN113592953B (zh) 一种基于特征点集的双目非合作目标位姿测量方法

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 100094 Beijing city Haidian District Cui Hunan loop 13 Hospital No. 7 Building 7 room 701

Applicant after: Lingyunguang Technology Co.,Ltd.

Address before: 100094 Beijing city Haidian District Cui Hunan loop 13 Hospital No. 7 Building 7 room 701

Applicant before: LUSTER LIGHTTECH GROUP Co.,Ltd.

GR01 Patent grant
GR01 Patent grant