CN110648330A - 摄像头玻璃的缺陷检测方法 - Google Patents

摄像头玻璃的缺陷检测方法 Download PDF

Info

Publication number
CN110648330A
CN110648330A CN201911186047.0A CN201911186047A CN110648330A CN 110648330 A CN110648330 A CN 110648330A CN 201911186047 A CN201911186047 A CN 201911186047A CN 110648330 A CN110648330 A CN 110648330A
Authority
CN
China
Prior art keywords
defect
image
area
product
defects
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
CN201911186047.0A
Other languages
English (en)
Other versions
CN110648330B (zh
Inventor
都卫东
夏子涛
王岩松
梁俊龙
吴健雄
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.)
Focusight Technology Co Ltd
Original Assignee
Focusight Technology 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 Focusight Technology Co Ltd filed Critical Focusight Technology Co Ltd
Priority to CN201911186047.0A priority Critical patent/CN110648330B/zh
Publication of CN110648330A publication Critical patent/CN110648330A/zh
Application granted granted Critical
Publication of CN110648330B publication Critical patent/CN110648330B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]

Abstract

本发明涉及一种摄像头玻璃的缺陷检测方法，包括以下步骤：1）采集图像：通过相机对产品进行成像；2）检测区域定位：从图像中提取需要检测的产品区域；3）可疑缺陷提取：在产品区域中分别进行高对比度和低对比度的可疑缺陷提取；4）缺陷分类：在提取可疑的缺陷区域后，根据缺陷区域的特征，将可疑的缺陷区域划分到各个不同的缺陷类型中去；5）缺陷筛选：对划分后的缺陷区域进行筛选，根据实际的需要，过滤轻微的缺陷、留下严重的缺陷；6）检出产品缺陷。本发明优于通常采用高斯滤波、小波变化等方法的划痕检出效果，并且极大的提升了算法效率，达到了很好的划痕检测效果的同时，大大减低了算法的处理时间。

Description

摄像头玻璃的缺陷检测方法
技术领域
本发明涉及视觉检测技术领域，尤其是一种摄像头玻璃表面缺陷检测的方法。
背景技术
手机摄像头玻璃检测系统是一套添加在自动生产线上的机器视觉系统，机器视觉是用计算机来实现类似人眼的视觉功能，通过摄像机等得到图像，然后将它转换成数字化图像信号，利用算法进行处理，软件再进行信息综合，从而做出正确的计算和判断，最终根据识别结果来控制现场的设备动作。虽然机器视觉技术目前已广泛应用到各领域，但由于其自身或配套技术上仍有不完善的地方，要广泛的应用还有一定限制。而图像处理算法的效率高低以及算法能够达到检测效果是影响视觉检测系统在摄像头玻璃上应用的关键因素。
目前而言，机器视觉检测在镜头玻璃上的应用还是很困难的，问题主要体现在检测效率不高、漏检率和过杀率过大。产生这些问题的原因主要是：1.不同的类型、不同位置的缺陷的成像方法不尽相同，光学成像系统难以确保所有的缺陷类型都能够很好的成像。光学系统设计的过于复杂又会增加成本和影响检测的效率。2.影响视觉检测系统的最重要的因素是图像处理算法，现有技术的主要问题是算法处理效率不足，单位时间内的检测产量达不到要求；检测能力不够，轻微缺陷检出效果不佳，容易造成漏检或者误判，难以做到将漏检率和误检率同时控制在较低的水平。
此外，由于镜头玻璃片体积小的特点，在检测过程中保证成像的一致性是个困难问题。实际中线阵相机的成像总是存在灰度不均的现象。为了检测低对比度的缺陷，需要对图像背景灰度进行动态的估计。然而传统的背景灰度估计方法在产品的边缘处会受到载具的干扰，此外传统方法耗时过长，影响了算法的检出效率。而对于玻璃上出现的轻微划痕缺陷，传统上使用高斯滤波、小波变换等算法进行检测，但是这些算法消耗的时间过长，远达不到实际使用中对时间的要求。
发明内容
本发明要解决的技术问题是：提供一种摄像头玻璃的缺陷检测方法，替代人工实现对摄像头的精准检测，提高摄像头生产线的自动化水平，降低生产管理成本，保证产品生产过程中的缺陷检测的稳定性，从而保证产品质量的一致性。
本发明解决其技术问题所采用的技术方案是：一种摄像头玻璃的缺陷检测方法，包括以下步骤：
1）采集图像：通过相机对产品进行成像；
2）检测区域定位：从图像中提取需要检测的产品区域；
3）可疑缺陷提取：在产品区域中分别进行高对比度和低对比度的可疑缺陷提取；高对比度为产品区域中灰度和背景平均灰度相差N个灰阶以上，低对比度为产品区域中灰度和背景平均灰度相差N个灰阶以内，N为自然数；
4）缺陷分类：在提取可疑的缺陷区域后，根据缺陷区域的特征，将可疑的缺陷区域划分到各个不同的缺陷类型中去；可疑的缺陷区域根据特征划分为：划痕缺陷区域、白点缺陷区域、崩边缺陷区域等；
5）缺陷筛选：对划分后的缺陷区域进行筛选，根据实际的需要，过滤轻微的缺陷、留下严重的缺陷；
6）检出产品缺陷。
进一步的说，本发明所述的步骤3）中，在进行低对比度的可疑缺陷提取前对产品区域进行动态背景灰度估计。
再进一步的说，本发明所述的动态背景灰度估计包括以下步骤，
A、使用椭圆拟合产品区域，计算产品区域的中心点坐标；
B、计算产品区域内部图像的灰度平均值G；将G-T至G+T之间的灰度按比例放大到0至255之间，将G-T至G+T之外的灰度设置为0，T为自然数，得到灰度增强图像，即第一图像；
C、以产品中心为原点，缩小第一图像，得到缩小后的图像，即第二图像；
D、提取第二图像中灰度小于M的图像区域，用提取区域附近的平均灰度对其进行填充,得到第三图像；
F、使用半径为N像素的均值核与第三图像进行卷积运算，得到第四图像；
E、对第四图像进行尺寸恢复，得到最终的背景估计图像。
进一步的说，本发明所述的步骤3）中可疑缺陷提取还包括轻微划痕提取。
再进一步的说，本发明所述的轻微划痕提取包括以下步骤，
i、使用不同尺寸大小的sobel卷积核和待检测图像进行卷积运算，分别得到多个卷积后的图像；
ii、比对多个图像，获取对应像素位置的最大灰度，生成最终的多尺度响应图像；
iii、根据设定的阈值提取可疑的缺陷区域；
iv、根据区域的形态特征，筛选出最终的划痕。
进一步的说，本发明所述的步骤iv中，筛选的条件满足
Figure 669764DEST_PATH_IMAGE001
或
Figure 286559DEST_PATH_IMAGE002
中的任何一条，则作为划痕缺陷筛选出来，
其中，Ra和Rb分别表示区域最小外接椭圆的长半轴和短半轴；Ra和Rb的单位为像素；L表示椭圆的周长，F表示椭圆的面积。
本发明的有益效果是：
1、采用动态背景估计方法，使用一次图像缩小后，再进行均值滤波后，再进行放大，节约了算法处理的时间，并且解决了产品边缘处背景灰度估计不准确的问题；
2、采用动态背景估计方法，将超出平均灰度设定阈值的区域以周围的平均灰度进行涂抹，解决了高对比度区域对背景估计的干扰；
3、采用了一种多尺度sobel响应的划痕检测算法和区域形态分析的方法进行缺陷划痕的检测，划痕缺陷的检测效果优于通常采用高斯滤波、小波变化等方法的划痕检出效果，并且极大的提升了算法效率，达到了很好的划痕检测效果的同时，大大减低了算法的处理时间。
附图说明
图1是本发明缺陷检测方法流程图。
图2是产品成像示意图。
图3是本发明动态背景灰度估计流程图。
具体实施方式
现在结合附图和优选实施例对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
如图1-3所示，一种摄像头玻璃的缺陷检测方法，利用多尺度的sobel响应的划痕检测算法，达到了很好的划痕检测效果的同时，大大降低了算法的处理时间；包括以下步骤：采集图像数据、检测区域定位、可疑缺陷区域提取、缺陷分类、缺陷筛选。可疑缺陷区域提取包括高对比度可疑缺陷提取和低对比度可疑缺陷提取，此处的对比度是缺陷与产品非缺陷的对比度，即缺陷明显与缺陷不明显；高对比度为产品区域中灰度和背景平均灰度相差N个灰阶以上，低对比度为产品区域中灰度和背景平均灰度相差N个灰阶以内，N为自然数。在进行低对比度可疑缺陷提取步骤前，可进行动态背景灰度估计，以提高检测效果。轻微划痕提取是一个补充的检测方法。
下面对检测方法的各个步骤进行说明。
1）检测区域定位：从图像中提取需要检测的产品区域，如图2所示的，图像中心的白色圆形区域是要提取的产品区域。
2）高对比度可疑缺陷提取：产品区域中灰度超过或者低于产品区域平均灰度15个灰阶的缺陷区域，称为高对比度可疑缺陷区域，该部分是对灰度和产品平均灰度相差15个灰阶以上的缺陷进行提取。
3）动态背景灰度估计：由于光线的不均匀，或者产品角度放置的偏差等问题，产品区域（背景）的灰度在不同的位置存在一些动态变化。动态背景灰度估计是估计产品上小范围的灰度平均值，该灰度平均值随着产品位置的变换而对应的进行变化。
4）低对比度可疑缺陷提取：产品区域中灰度不超过且不低于产品区域平均灰度15个灰阶的缺陷区域，称为低对比度可疑缺陷区域，该部分是对灰度和产品平均灰度相差15个灰阶以内的缺陷进行提取。
5）缺陷分类：在提取可疑的缺陷区域后，根据缺陷区域的特征，将可疑的缺陷区域划分到各个不同的缺陷类型中去，可疑的缺陷区域根据特征划分为：划痕缺陷区域、白点缺陷区域、崩边缺陷区域等。
6）缺陷筛选：对划分后的缺陷区域进行筛选，根据实际的需要，过滤轻微的缺陷、留下严重的缺陷。主要根据缺陷区域的对比度，面积的大小、长度的大小等特征决定是否检测出缺陷。
7）轻微划痕提取：该方法针对成像特征不明显的划痕进行检测。
如图3的流程图所示，动态背景灰度估计步骤如下：
1）使用椭圆拟合产品区域，计算产品区域的中心点坐标为（x,y）。
2）计算产品区域内部图像的灰度平均值为G，将G-15至G+15之间的灰度按比例放大到0至255之间，灰度在G-15至G+15之外的像素灰度设置为0，得到灰度增强图像A。
3）以产品中心为原点，缩小图像A，得到缩小图像B，仿射矩阵如下所示：
Figure 997026DEST_PATH_IMAGE003
提取图像B中灰度小于18的图像区域，用提取区域附近的平均灰度对其进行填充,得到图像C。
使用半径为64像素的均值核与图像C进行卷积运算，得到图像D。
对图像D进行尺寸恢复，得到最终的背景估计图像，仿射矩阵如下所示：
Figure 853303DEST_PATH_IMAGE005
。
轻微划痕缺陷检测步骤如下：
A、多尺度sobel响应的划痕检测算法，分别使用尺寸大小为3、5、7、9的sobel卷积核和待检测图像进行卷积运算，分别得到4个卷积后的图像。
B、比对4个图像，获取对应像素位置的最大灰度，生成最终的多尺度响应图像。
C、根据设定的阈值提取可疑的缺陷区域。
D、根据步骤C中提取到的可疑的缺陷区域的形态特征，筛选出最终的划痕。筛选的条件满足如下任何一条，则作为划痕缺陷筛选出来。
Figure 643929DEST_PATH_IMAGE006
其中，Ra和Rb分别表示区域最小外接椭圆的长半轴和短半轴；Ra和Rb的单位为像素；L表示椭圆的周长，F表示椭圆的面积。
以上说明书中描述的只是本发明的具体实施方式，各种举例说明不对本发明的实质内容构成限制，所属技术领域的普通技术人员在阅读了说明书后可以对以前所述的具体实施方式做修改或变形，而不背离发明的实质和范围。

Claims (6)

1.一种摄像头玻璃的缺陷检测方法，其特征在于包括以下步骤：
1）采集图像：通过相机对产品进行成像；
2）检测区域定位：从图像中提取需要检测的产品区域；
3）可疑缺陷提取：在产品区域中分别进行高对比度和低对比度的可疑缺陷提取；高对比度为产品区域中灰度和背景平均灰度相差N个灰阶以上，低对比度为产品区域中灰度和背景平均灰度相差N个灰阶以内，N为自然数；
4）缺陷分类：在提取可疑的缺陷区域后，根据缺陷区域的特征，将可疑的缺陷区域划分到各个不同的缺陷类型中去；
5）缺陷筛选：对划分后的缺陷区域进行筛选，根据实际的需要，过滤轻微的缺陷、留下严重的缺陷；
6）检出产品缺陷。
2.如权利要求1所述的摄像头玻璃的缺陷检测方法，其特征在于：所述的步骤3）中，在进行低对比度的可疑缺陷提取前对产品区域进行动态背景灰度估计。
3.如权利要求2所述的摄像头玻璃的缺陷检测方法，其特征在于：所述的动态背景灰度估计包括以下步骤，
A、使用椭圆拟合产品区域，计算产品区域的中心点坐标；
B、计算产品区域内部图像的灰度平均值G；将G-T至G+T之间的灰度按比例放大到0至255之间，将G-T至G+T之外的灰度设置为0，T为自然数，得到灰度增强图像，即第一图像；
C、以产品中心为原点，缩小第一图像，得到缩小后的图像，即第二图像；
D、提取第二图像中灰度小于M的图像区域，用提取区域附近的平均灰度对其进行填充,得到第三图像；
F、使用半径为N像素的均值核与第三图像进行卷积运算，得到第四图像；
E、对第四图像进行尺寸恢复，得到最终的背景估计图像。
4.如权利要求1所述的摄像头玻璃的缺陷检测方法，其特征在于：所述的步骤3）中可疑缺陷提取还包括轻微划痕提取。
5.如权利要求4所述的摄像头玻璃的缺陷检测方法，其特征在于：所述的轻微划痕提取包括以下步骤，
i、使用不同尺寸大小的sobel卷积核和待检测图像进行卷积运算，分别得到多个卷积运算后的图像；
ii、比对多个图像，获取对应像素位置的最大灰度，生成最终的多尺度响应图像；
iii、根据设定的阈值提取可疑的缺陷区域；
iv、根据提取到的可疑的缺陷区域的形态特征，筛选出最终的划痕。
6.如权利要求5所述的摄像头玻璃的缺陷检测方法，其特征在于：所述的步骤iv中，筛选的条件满足或
Figure 141271DEST_PATH_IMAGE002
中的任何一条，则作为划痕缺陷筛选出来；其中，Ra和Rb分别表示区域最小外接椭圆的长半轴和短半轴；Ra和Rb的单位为像素；L表示椭圆的周长，F表示椭圆的面积。
CN201911186047.0A 2019-11-28 2019-11-28 摄像头玻璃的缺陷检测方法 Active CN110648330B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911186047.0A CN110648330B (zh) 2019-11-28 2019-11-28 摄像头玻璃的缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911186047.0A CN110648330B (zh) 2019-11-28 2019-11-28 摄像头玻璃的缺陷检测方法

Publications (2)

Publication Number Publication Date
CN110648330A true CN110648330A (zh) 2020-01-03
CN110648330B CN110648330B (zh) 2020-03-10

Family

ID=69014679

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911186047.0A Active CN110648330B (zh) 2019-11-28 2019-11-28 摄像头玻璃的缺陷检测方法

Country Status (1)

Country Link
CN (1) CN110648330B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
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
CN111784689A (zh) * 2020-07-24 2020-10-16 东莞市瑞图新智科技有限公司 多角度低对比度划痕提取方法、装置及存储介质
CN111861980A (zh) * 2020-05-29 2020-10-30 合肥联宝信息技术有限公司 一种成像检测方法、电子设备及计算机可读存储介质
CN113295698A (zh) * 2021-04-29 2021-08-24 苏州天准软件有限公司 一种缺陷检测方法、存储介质和检测系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101799434A (zh) * 2010-03-15 2010-08-11 深圳市中钞科信金融科技有限公司 一种印刷图像缺陷检测方法
CN103872983A (zh) * 2014-04-04 2014-06-18 天津市鑫鼎源科技发展有限公司 太阳能电池表面缺陷检测设备及方法
CN104568989A (zh) * 2014-12-30 2015-04-29 湖北优尼科光电技术股份有限公司 玻璃基板的缺陷检测方法
CN109785285A (zh) * 2018-12-11 2019-05-21 西安工程大学 一种基于椭圆特征拟合的绝缘子破损检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101799434A (zh) * 2010-03-15 2010-08-11 深圳市中钞科信金融科技有限公司 一种印刷图像缺陷检测方法
CN103872983A (zh) * 2014-04-04 2014-06-18 天津市鑫鼎源科技发展有限公司 太阳能电池表面缺陷检测设备及方法
CN104568989A (zh) * 2014-12-30 2015-04-29 湖北优尼科光电技术股份有限公司 玻璃基板的缺陷检测方法
CN109785285A (zh) * 2018-12-11 2019-05-21 西安工程大学 一种基于椭圆特征拟合的绝缘子破损检测方法

Cited By (6)

* Cited by examiner, † Cited by third party
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
CN111861980A (zh) * 2020-05-29 2020-10-30 合肥联宝信息技术有限公司 一种成像检测方法、电子设备及计算机可读存储介质
CN111861980B (zh) * 2020-05-29 2022-02-01 合肥联宝信息技术有限公司 一种成像检测方法、电子设备及计算机可读存储介质
CN111784689A (zh) * 2020-07-24 2020-10-16 东莞市瑞图新智科技有限公司 多角度低对比度划痕提取方法、装置及存储介质
CN111784689B (zh) * 2020-07-24 2023-11-24 东莞市瑞图新智科技有限公司 多角度低对比度划痕提取方法、装置及存储介质
CN113295698A (zh) * 2021-04-29 2021-08-24 苏州天准软件有限公司 一种缺陷检测方法、存储介质和检测系统

Also Published As

Publication number Publication date
CN110648330B (zh) 2020-03-10

Similar Documents

Publication Publication Date Title
CN108460757B (zh) 一种手机TFT-LCD屏Mura缺陷在线自动检测方法
CN110648330B (zh) 摄像头玻璃的缺陷检测方法
CN109377485B (zh) 一种方便面包装缺陷机器视觉检测方法
WO2018018788A1 (zh) 一种基于图像识别的计量表抄表装置及其方法
CN115908269B (zh) 视觉缺陷检测方法、装置、存储介质和计算机设备
CN115082419A (zh) 一种吹塑箱包生产缺陷检测方法
CN115063430B (zh) 基于图像处理的电气管道裂纹检测方法
CN114820625B (zh) 一种汽车顶块缺陷检测方法
CN113221881B (zh) 一种多层级的智能手机屏幕缺陷检测方法
CN116091421A (zh) 一种体外受精胚胎卵裂球图像自动分割及面积计算的方法
WO2017120796A1 (zh) 路面病害的检测方法及其装置、电子设备
CN116630304B (zh) 一种基于人工智能的锂电池模具加工检测方法及系统
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN110335233A (zh) 基于图像处理技术的高速公路护栏板缺陷检测系统和方法
CN116152242B (zh) 一种篮球用天然皮革缺陷可视化检测系统
CN111242888A (zh) 一种基于机器视觉的图像处理方法及系统
CN111539980B (zh) 一种基于可见光的多目标追踪方法
CN111476804A (zh) 托辊图像高效分割方法、装置、设备及存储介质
CN115274486A (zh) 一种半导体表面缺陷识别方法
CN108805854B (zh) 一种复杂环境下药片快速计数与完整性检测方法
WO2024016632A1 (zh) 亮点定位方法、亮点定位装置、电子设备及存储介质
CN112184619A (zh) 一种基于深度学习的金属部件表面缺陷检测方法
CN116012292A (zh) 一种基于机器视觉的晶圆外观缺陷检测方法
CN115908399A (zh) 一种基于改进视觉注意机制的磁片瑕疵检测方法
CN115131355A (zh) 利用电子设备数据检测防水布异常的智能方法

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