CN111157532A - 一种手机外壳划痕视觉检测装置及方法 - Google Patents

Abstract

本发明公开一种手机外壳划痕视觉检测装置及方法，包括工作平台，所述工作平台一侧设有支架，所述支架上从下到上设有与支架相互垂直的第一连接杆和第二连接杆，第一连接杆的末端可旋转的安装有光源，第二连接杆的末端安装有嵌入式系统，所述嵌入式系统包括显示器、相机和FPGA处理系统。检测方法包括以下步骤：(1)将待测手机壳置于工作平台上；(2)调节相机和待测手机壳间的距离及光源与待测手机壳间的距离和倾角；(3)通过相机进行图像采集，图像经嵌入式系统处理和检测后，由显示屏显示出划痕数目。

Description

一种手机外壳划痕视觉检测装置及方法

技术领域

本发明涉及机器视觉检测领域，特别是涉及一种手机外壳划痕检测装置与方法。

背景技术

随着智能手机行业的迅猛发展，对手机制造过程中的自动化和智能化程度要求日益提高。手机外壳表面缺陷是指划痕、磕碰、凹坑等发生在壳体表面的问题，其中以划痕最为常见。传统的检测手段为人工检测的，但是受主观因素干扰较大，且成本高、效率低，很大程度上阻碍了产品质量的提升。随着视觉检测技术的发展，机器视觉检测技术开始被应用于手机外壳划痕检测。常用的视觉检测方法主要有两种，一种是基于线阵CCD的划痕检测系统，和产品传送装置进行配合，通过动态扫描的方式检测划痕，但扫描过程中，产品的轻微振动将会导致丢帧现象，从而导致误检。另一种是采用面阵CCD的划痕检测系统，可同时采集较大面积图像，克服了线阵CCD存在的技术问题，且随着面阵CCD成本的逐渐降低，这种方式逐渐成为主流方法。但当前问题主要来源于以下几方面：一是光源选择问题，对于强反光手机外壳容易发生过曝光而导致无法导致错判或漏判，而哑光表面则容易发生磨砂纹理噪声；二是系统整体尺寸及功耗问题，基于面阵CCD的图像采集系统往往需要与PC机配套使用，装置的体积通常较大，能耗也相对较高。因此，提出一种体积小、功耗低、实时性和适应性强的手机外壳划痕检测装置与方法具有重要的现实意义。

发明内容

本发明的目的是为了克服现有技术中的不足，提供一种手机外壳划痕视觉检测装置及方法，本发明通过合理的嵌入式系统平台，实现检测系统的小型化和节能化。通过合适的光源和照明方式，尽可能减少外在环境因素对获取图像质量的影响。基于简单高效的图像处理算法，提取出不同划痕的典型特征，可较为准确地检测出划痕。

本发明的目的是通过以下技术方案实现的：

一种手机外壳划痕视觉检测装置，包括工作平台，所述工作平台一侧设有支架，所述支架上从下到上设有与支架相互垂直的第一连接杆和第二连接杆，第一连接杆的末端可旋转的安装有光源，第二连接杆的末端安装有嵌入式系统，所述嵌入式系统包括显示器、相机和FPGA处理系统。

优选地，所述FPGA处理系统包括图像采集模块、图像显示模块、存储模块和处理模块。

优选地，所述第一连接杆和第二连接杆通过旋钮与支架活动连接。

本发明提供的另一种技术方案如下：

一种手机外壳划痕检测方法，基于上述手机外壳划痕视觉检测装置，包括以下步骤：

(1)将待测手机壳置于工作平台上；

(2)调节相机和待测手机壳间的距离及光源与待测手机壳间的距离和倾角；

(3)通过相机进行图像采集，图像经嵌入式系统处理和检测后，由显示屏显示出划痕数目。

优选地，步骤(3)中嵌入式系统进行图像处理的步骤如下：

(301)将采集到的原始图像转化为灰度图；

(302)将灰度图利用二值化对灰度图进行阀值分割；

(303)采用Sobel算子对灰度图的边缘进行检测；

(304)对灰度图中的划痕做线性转化；

(305)采用膨胀和腐蚀的方法将处理后的灰度图里的噪声点去除；经过反复滤除噪声点后，得到最终的手机壳表面缺陷图像。

与现有技术相比，本发明的技术方案所带来的有益效果是：

本发明装置使用嵌入式系统，体积小，能耗低，OV5640模块图像采集速度快，图像质量高。通过系统内简单高效的图像处理算法，计算时间短，求解速度快，能够识别出手机壳上的划痕，并准确检测划痕数目，检测速度快，准确性高。

附图说明

图1是手机外壳划痕视觉检测装置的结构示意图。

图2是总体硬件结构示意图。

图3是目标函数代码的流程图。

附图标记：1-嵌入式系统，2-显示屏，3-相机，4-光源，5-待测零件

具体实施方式

以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

视觉检测装置的主体结构如图1所示，包括工作平台，工作平台一侧设有支架，支架上从下到上设有与支架相互垂直的第一连接杆和第二连接杆，第一连接杆的末端可旋转的安装有光源4，第二连接杆的末端安装有嵌入式系统1，嵌入式系统1包括显示器2、相机3和FPGA处理系统。FPGA处理系统包括图像采集模块、图像显示模块、存储模块和处理模块。

其中，相机3选用500万像素的OV5640摄像头模组，采用直插方式与FPGA处理系统进行连接。FPGA处理系统采用Xilinx公司的Zynq-7000系列嵌入式平台，固定在上下可调的竖直支架上，可通过调节支架上的旋钮来调节相机与待测零件5之间的物距。光源选择白色高亮LED灯珠组成的面阵光源。光源面阵行数和列数的选择根据手机壳面积确定，以保证待检测的手机壳可完全被照亮且照明均匀为准。照明方式选择前向照明，即相机和光源在同一侧，光源以一定的倾斜角度照射在零件表面，倾角大小由被测零件表面机理决定。待测零件手机壳放在水平工作台上。

本例中，选取金属材质的手机后壳作为检测零件，其表面具有强反射的性质，此时选取7×16的面阵LED、光源距手机15cm左右、光线入射角在30°～45°之间将取得比较好的照明效果。

进一步的，本实施例中FPGA处理系统的硬件平台配置如下：

(1)图像采集模块

通过主机向相机的寄存器中写入特定的控制固件，使OV5640相机通过其内置微型控制器实现自动对焦功能。考虑到所需要传输的图像最高像素在500万左右，因此选择DVP接口作为图像采集的接口。

(2)图像显示模块

选用HDMI显示方案，HDMI接口可以直接进行数字信号的输出，无需在信号传输前进行数模或者模数转换。用FPGA资源对HDMI显示模块进行时序驱动，处理结果通过HDMI接口直接输出。

(3)DDR3存储模块

DDR3存储电路采用两片美光MT41K256M16 RE-125的DDR3内存进行并联设计，并连接至7z7020器件中ARM处理器的DDR3存储器控制端口上。DDR3存储电路可以作为RAM处理器运行内存，同时也能够通过AMBA总线被FPGA逻辑电路访问，作为FPGA逻辑电路的数据缓存区。

(4)OLED显示屏

选用型号为UG-2832HSWEG04的OLED显示屏。CPU读取DDR中的图像内容，对算法处理后的结果进行分析，并将最终结果通过OLED显示屏显示。

(5)驱动方式

OLED和相机的驱动选用AXI总线完成，同时AXI总线也将完成ARM和FPGA之间的通信，充分发挥了AXI总线的优势，提高系统的运算和处理速度。

如图2所示，Ov5640相机获取的图像信息通过DVP接口传输到HLS仿真平台。DMA接口一方面传递处理过的信息到DDR储存电路，DDR3存储电路采用两片美光MT41K256M16 RE-125的DDR3内存进行并联设计；另一方面，与HDMI接口相连显示图像。CPU一方面与DDR储存电路相连，另一方面与OLED显示屏连接，OLED显示屏的型号是UG-2832HSWEG04，其分辨率为128×32，接口类型为4线SPI，控制芯片为SSD1306。

进一步的，FPGA处理系统中处理模块的核心算法描述如下：

在得到手机壳表面缺陷的图片后，需要对手机壳图片进行预处理。图像预处理需要借助HLS仿真平台来实现，其搭建流程为：

(1)首先，创建符合自己目标器件的HLS器件，确定要实现的功能的顶层文件。本实施例选用的目标器件为图像处理器件，是由灰度转化、二值化、边缘检测、Hough变换、膨胀腐蚀在内的的全部图像处理工具构成的图像处理算法cpp文件；

(2)其次写出目标函数代码，创建testbench对目标代码进行仿真验证。本发明具体写出了图像处理函数代码，具体有灰度转化、二值化、边缘检测Sobel算子、Hough变换、膨胀腐蚀的函数代码。本实施例中编写目标函数代码的流程如图3所示。具体步骤如下：

第一步：采集到的图样是RGB565形式的图像。本实施例借助HLS平台进行算法仿真将原始图样转化为灰度图。由于HLS模型是基于视觉感受的模型，他的灰度转换是非线性的，转换算法如下：

Y＝[MAX(R,G,B)+MIN(R,G,B)]/2*3

其中，Y是像素点的亮度，R,G,B分别是三基色的强度。通过这个算法可以得到手机壳的灰度图，利用灰度图的优势进一步突出缺陷。

第二步：在得到灰度图后利用二值化对灰度图进行阀值分割。图像的二值化，就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的只有黑和白的视觉效果。全局二值化主要方法为：设定一个全局的阈值P，用P将图像的数据分成两部分:大于P的像素群和小于P的像素群。将大于P的像素群的像素值设定为白色(或着黑色)，小于P的像素群的像素值设定为黑色(或者白色)。在对采集到的图样进行灰度的阈值分割时，本发明所采集到的图像的缺陷部分的灰度集中在175-200，所以预设P＝175-200,将不在这个灰度范围的值调成0或者255，即可得到缺陷突出的灰度图。

第三步：因为手机壳上的缺陷主要为划痕，其亮度和周围环境相差较大，为将其提取出来，可以先检测图像中的边缘。本发明在检测物体边缘时首先粗略检测其轮廓点，然后把原来检测到的轮廓点连接到一起，同时检测、连接遗漏的边界点并去除虚假的边界点。本实施例采用Sobel算子来对边缘进行检测。

Sobel算子的主要思想为：将图像中每个像素的上下左右四领域的灰度值加权差，在边缘处达到极值从而检测边缘。Sobel算子包含两组3x3的矩阵，分别为横向及纵向，前者可以检测出图像中的水平方向的边缘，后者则可以检测图像中垂直方向的边缘。本发明选择3×3的窗口矩阵在X方向上的水平边缘检测，将3×3的窗口矩阵之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值。如果以A代表原始图像，Gx及Gy分别代表经横向及纵向边缘检测的图像，其公式如下：

Sobel算子所采用的算法是先进行加权平均，然后进行微分运算，算子的计算方法如下：

Δ_xf(x，y)＝[f(x-1，y+1)+2f(x，y+1)+f(x+1，y+1)]-[f(x-1，y-1)+2f(x，y-1)+f(x+1，y-1)]

Δ_yf(x，y)＝[f(x-1，y-1)+2f(x-1，y)+f(x-1，y+1)]-[f(x+1，y-1)+2f(x+1，y)+f(x+1，y+1)]

图像的每一个像素的横向及纵向梯度近似值可用

公式结合，来计算梯度的大小。如果梯度大于某一阈值，则认为该点(x，y)为边缘点。

然后可用

计算梯度方向。如果以上的角度θ等于零，即代表图像该处拥有纵向边缘，左方较右方暗。

最后将输入的图像数据与经过Sobel算法计算得到标称值进行比较得出最终结果，实现边缘的检测。

第四步：为了避免在后续的膨胀腐蚀操作里导致图像失真，本实施例中先对图像做线性变换。在提取图像边缘之后，可以采用Hough变换用一条直线表示手机壳上的划痕。Hough变换的主要思想是：将测量空间的一点变换到参量空间中的一条曲线或一个曲面，而具有同一参量特征的点交换后在参量空间中相交，通过判断交点处的积累程度来完成特征曲线的检测，基于参量性质的不同，Hough变换可以检测直线、圆、椭圆、双曲线、抛物线等。

若划痕为直线形式，为了方便表达和计算，采用极坐标(ρ，θ)的表示方法来表示(k，b)坐标系，因此，对图像上所有的非零像素点，对于所有的θ值，计算出ρ，统计所有的(ρ，θ)的点，数量较多的前几位就代表着一条直线，之后再将这些(ρ，θ)所对应的(x，y)点在新的图像中显示，即为提取出的直线。

第五步：手机壳表面的缺陷相对无用的噪声干扰点较大，因此本发明采用膨胀和腐蚀的方法进一步将经过上述图像处理后的灰度图里的噪声点去除。当缺陷部分形成的连通区域的面积远大于孤立的点时，则认为是噪声点，膨胀的基本原理为：设原始图像为Image，模板T为3×3的矩阵，模板T在Image上移动，并将被T圈到的Image图的像素最大灰度值赋给指定的参考点像素，直至Image上所有的像素点都被T圈到过，即为膨胀完成，腐蚀则是将被模板圈到的最小值赋给指定参考点。膨胀和腐蚀运算的数学表达式如下式所示：

(3)在功能模块代码编写完毕后，对设计进行综合，生成RTL设计文件，最后运行综合后的仿真，即C/RTL联合仿真，仿真成功后即可将完成的设计导出IP核，导出成功之后即可生成IP的压缩包，本发明将解压之后的IP核导入到Vivado软件中进行使用，即可实现图像处理操作。

经过反复滤除噪声点后，会得到最终的手机壳表面缺陷图像，在此图像上，缺陷部分会明显的突出出来。

本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案，上述的具体实施方式仅仅是示意性的，并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下，本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换，这些均属于本发明的保护范围之内。

Claims (5)

1.一种手机外壳划痕视觉检测装置，其特征在于，包括工作平台，所述工作平台一侧设有支架，所述支架上从下到上设有与支架相互垂直的第一连接杆和第二连接杆，第一连接杆的末端可旋转的安装有光源，第二连接杆的末端安装有嵌入式系统，所述嵌入式系统包括显示器、相机和FPGA处理系统。

2.根据权利要求1所述一种手机外壳划痕视觉检测装置，其特征在于，所述FPGA处理系统包括图像采集模块、图像显示模块、存储模块和处理模块。

3.根据权利要求1所述一种手机外壳划痕视觉检测装置，其特征在于，所述第一连接杆和第二连接杆通过旋钮与支架活动连接。

4.一种手机外壳划痕检测方法，基于权利要求1所述手机外壳划痕视觉检测装置，其特征在于，包括以下步骤：

(1)将待测手机壳置于工作平台上；

(2)调节相机和待测手机壳间的距离及光源与待测手机壳间的距离和倾角；

(3)通过相机进行图像采集，图像经嵌入式系统处理和检测后，由显示屏显示出划痕数目。

5.根据权利要求4所述一种手机外壳划痕检测方法，其特征在于，步骤(3)中嵌入式系统进行图像处理的步骤如下：

(301)将采集到的原始图像转化为灰度图；

(302)将灰度图利用二值化对灰度图进行阀值分割；

(303)采用Sobel算子对灰度图的边缘进行检测；

(304)对灰度图中的划痕做线性转化；

(305)采用膨胀和腐蚀的方法将处理后的灰度图里的噪声点去除；经过反复滤除噪声点后，得到最终的手机壳表面缺陷图像。

Images