CN111192261A - 一种镜片疵病类型识别的方法 - Google Patents

一种镜片疵病类型识别的方法 Download PDF

Info

Publication number
CN111192261A
CN111192261A CN202010005337.7A CN202010005337A CN111192261A CN 111192261 A CN111192261 A CN 111192261A CN 202010005337 A CN202010005337 A CN 202010005337A CN 111192261 A CN111192261 A CN 111192261A
Authority
CN
China
Prior art keywords
defect
image
lens
defects
identifying
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.)
Withdrawn
Application number
CN202010005337.7A
Other languages
English (en)
Inventor
姚红兵
朱卫华
张爱梅
邹华
张开骁
张�林
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN202010005337.7A priority Critical patent/CN111192261A/zh
Publication of CN111192261A publication Critical patent/CN111192261A/zh
Withdrawn legal-status Critical Current

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
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Testing Of Optical Devices Or Fibers (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开一种镜片疵病类型识别的方法，包括以下步骤：第一步，获取镜片图像，对图像进行预处理；第二步，判断图像上疵病包含的像素数量是否处于第一阈值范围内，若是，则输出疵病类型为气泡；若不是，则进行下一步；第三步，判断图像上疵病的圆形系数是否处于第二阈值范围内，若是，则输出疵病类型为点状疵病；若不是，则进行下一步；第四步，判断图像上疵病的长形系数是否处于第三阈值范围内，若是，则输出疵病类型为羽毛；若不是，则输出疵病类型为划痕。本发明算法简单，通过设置检测阈值能够准确识别出镜片中最常见的气泡、点、羽毛、划痕四种疵病，尤其对于较难区分而又比较常见的羽毛和划痕识别的准确率很高。

Description

一种镜片疵病类型识别的方法
技术领域
本发明属于视觉检测及图像处理技术领域，尤其涉及镜片质量自动化检测领域，具体是一种镜片疵病类型识别的方法。
背景技术
眼镜镜片制造工艺复杂，精度要求高,在制造过程中往往会产生一些缺陷，主要包括气泡、羽毛、划痕、点等。这些缺陷会严重影响镜片品质，因此在生产过程中，必须对镜片可能产生的各种疵病进行在线检测。目前国内镜片疵病检测技术还不成熟，企业主要以人工检测为主。结果容易受眼睛分辨能力以及工作经验、个人态度、容易疲劳等主观性的影响，很容易混淆不同的疵病类型，漏检率高并且速度慢，而且检测数据的保存和查询不方便，不能满足统计质量控制需求。因此对这些飞速从生产线上穿过的产品进行自动化检测成为镜片制造行业未来发展的方向。
镜片的自动化检测中确定镜片质量优劣的依据就是各种疵病的种类以及相应类型疵病的位置和数目。所以疵病类型的确定是镜片自动化检测中的难点和核心。国外90年代初开始研制计算机视觉在线检测设备，但主要针对制造流程相对简单，缺陷明显且标准低的玻璃，在镜片检测方面相关的研究很少。镜片质量要求高，疵病面积小而且多种疵病外形、亮度差异不大，很难辨分，对实现镜片的自动化检测造成极大的困扰。
发明内容
本发明的目的是针对现有技术存在的问题，提供一种镜片疵病类型识别的方法，根据疵病外形特征，通过简单的算法即可实现对疵病类型的快速、准确识别。
为实现上述目的，本发明采用的技术方案是：
一种镜片疵病类型识别的方法，包括以下步骤：
S1，获取镜片图像，对图像进行预处理；
S2，判断图像上疵病包含的像素数量是否处于第一阈值范围内，若是，则输出疵病类型为气泡；若不是，则进行步骤S3；
S3，判断图像上疵病的圆形系数是否处于第二阈值范围内，若是，则输出疵病类型为点状疵病；若不是，则进行步骤S4；
S4，判断图像上疵病的长形系数是否处于第三阈值范围内，若是，则输出疵病类型为羽毛；若不是，则输出疵病类型为划痕。
具体地，步骤S1中，对图像进行预处理的方法为：采用中值滤波法对图像进行除噪处理，利用最大类间方差法对图像进行阈值分割，并对分割得到的目标图像进行二值化处理。
具体地，步骤S2中，所述第一阈值范围为：N≥500，其中N为疵病包含的像素数量。
具体地，步骤S3中，所述第二阈值范围为：0.85≤C≤1.15，其中C为疵病的圆形系数。
进一步地，所述圆形系数定义为：C＝S/N，其中S为疵病最小外接圆面积，N为疵病包含的像素数量。
进一步地，所述疵病最小外接圆面积S的计算方法为：分别对目标疵病进行纵向扫描和横向扫描，获取疵病最上端与最下端之间的距离M以及疵病最左端与最右端之间的距离T；疵病的最小外接圆面积由以下公式计算得到：
Figure BDA0002355056830000021
Figure BDA0002355056830000022
其中，D为疵病最小外接圆的直径。
具体地，步骤S4中，所述第三阈值范围为：L≥1.1，其中，L为疵病的长形系数。
进一步地，所述长形系数定义为：L＝Ln/D，其中Ln＝n/2，n为疵病的周长，即疵病的外围像素数量；D为疵病的最小外接圆直径。
与现有技术相比，本发明的有益效果是：(1)本发明算法简单，通过设置检测阈值能够准确识别出镜片中最常见的气泡、点、羽毛、划痕四种疵病，尤其对于较难区分而又比较常见的羽毛和划痕识别的准确率很高；(2)本发明的识别方法适应性强，可通过调整检测阈值来适应不同的检测标准，能实现镜片质量的自动化检测。
附图说明
图1为本发明一种镜片疵病类型识别的方法的流程示意框图；
图2为本发明实施例中一种镜片疵病类型识别的方法的流程图；
图3为本发明实施例中设置的不同第三阈值时对羽毛和划痕的识别结果图。
具体实施方式
下面将结合本发明中的附图，对本发明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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动条件下所获得的所有其它实施例，都属于本发明保护的范围。
如图所示，本实施例提供了一种镜片疵病类型识别的方法，包括以下步骤：
第一步，采用CCD相机获取镜片图像，对图像进行预处理；
具体地，对图像进行预处理的方法为：采用中值滤波法对图像进行除噪处理，利用最大类间方差法对图像进行阈值分割，并对分割得到的目标图像进行二值化处理。
第二步，去除边缘亮痕，提取疵病区域，并判断疵病区域包含的像素数量是否处于第一阈值范围内，若是，则输出疵病类型为气泡；若不是，则进行下一步；
具体地，通过对镜片样品的统计分析，本实施例中将所述第一阈值范围为：N≥500，其中N为疵病包含的像素数量，即若疵病区域包含的像素数量大于或等于500个，则判断该疵病属于气泡类型。
第三步，判断图像上疵病的圆形系数是否处于第二阈值范围内，若是，则输出疵病类型为点状疵病；若不是，则进行下一步；
具体地，所述第二阈值范围为：0.85≤C≤1.15，其中C为疵病的圆形系数。
进一步地，所述圆形系数定义为：C＝S/N，其中S为疵病最小外接圆面积，N为疵病包含的像素数量；S与N的比值越接近1，则疵病的形状越接近圆。
进一步地，所述疵病最小外接圆面积S的计算方法为：分别对目标疵病进行纵向扫描和横向扫描，获取疵病的长度T和宽度M，长度T＝t2-t1，t1、t2分别为疵病最左端和最右端像素在图像上的像素列数；宽度M＝m2-m1，m1、m2分别为疵病最上端和最下端像素在图像上的像素行数；疵病外接矩形的对角线即为最小外接圆的直径；疵病的最小外接圆面积由以下公式计算得到：
Figure BDA0002355056830000031
Figure BDA0002355056830000032
其中，D为疵病最小外接圆的直径。
第四步，判断图像上疵病的长形系数是否处于第三阈值范围内，若是，则输出疵病类型为羽毛；若不是，则输出疵病类型为划痕。
具体地，所述第三阈值范围为：L≥1.1，其中，L为疵病的长形系数。
进一步地，所述长形系数定义为：L＝Ln/D，Ln为疵病的线性化长度；其中Ln＝n/2，n为疵病的周长，即疵病的外围像素数量；D为疵病的最小外接圆直径。由于划痕和羽毛的外形接近线条形状，长宽之比均远远大于1，所以本实施例对目标进行标定后需要先计算出目标的周长，即疵病的外围像素数量n；Ln与D的比值越接近1，则疵病的形状越接近直线，如图2所示，本实施例确定的最佳第三阈值为1.1，将第三阈值设为1.1时，对羽毛和划痕的识别率最高；即若L≥1.1，则疵病为羽毛，否则为划痕。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.一种镜片疵病类型识别的方法，其特征在于，包括以下步骤：
S1，获取镜片图像，对图像进行预处理；
S2，判断图像上疵病包含的像素数量是否处于第一阈值范围内，若是，则输出疵病类型为气泡；若不是，则进行步骤S3；
S3，判断图像上疵病的圆形系数是否处于第二阈值范围内，若是，则输出疵病类型为点状疵病；若不是，则进行步骤S4；
S4，判断图像上疵病的长形系数是否处于第三阈值范围内，若是，则输出疵病类型为羽毛；若不是，则输出疵病类型为划痕。
2.根据权利要求1所述的一种镜片疵病类型识别的方法，其特征在于，步骤S1中，对图像进行预处理的方法为：采用中值滤波法对图像进行除噪处理，利用最大类间方差法对图像进行阈值分割，并对分割得到的目标图像进行二值化处理。
3.根据权利要求1所述的一种镜片疵病类型识别的方法，其特征在于，步骤S2中，所述第一阈值范围为：N≥500，其中N为疵病包含的像素数量。
4.根据权利要求1所述的一种镜片疵病类型识别的方法，其特征在于，步骤S3中，所述第二阈值范围为：0.85≤C≤1.15，其中C为疵病的圆形系数。
5.根据权利要求1或4所述的一种镜片疵病类型识别的方法，其特征在于，所述圆形系数定义为：C＝S/N，其中S为疵病最小外接圆面积，N为疵病包含的像素数量。
6.根据权利要求5所述的一种镜片疵病类型识别的方法，其特征在于，所述疵病最小外接圆面积S的计算方法为：分别对目标疵病进行纵向扫描和横向扫描，获取疵病最上端与最下端之间的距离M以及疵病最左端与最右端之间的距离T；疵病的最小外接圆面积由以下公式计算得到：
Figure FDA0002355056820000011
Figure FDA0002355056820000012
其中，D为疵病最小外接圆的直径。
7.根据权利要求1所述的一种镜片疵病类型识别的方法，其特征在于，步骤S4中，所述第三阈值范围为：L≥1.1，其中，L为疵病的长形系数。
8.根据权利要求1或7所述的一种镜片疵病类型识别的方法，其特征在于，所述长形系数定义为：L＝Ln/D，其中Ln＝n/2，n为疵病的周长，即疵病的外围像素数量；D为疵病的最小外接圆直径。
CN202010005337.7A 2020-01-03 2020-01-03 一种镜片疵病类型识别的方法 Withdrawn CN111192261A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010005337.7A CN111192261A (zh) 2020-01-03 2020-01-03 一种镜片疵病类型识别的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010005337.7A CN111192261A (zh) 2020-01-03 2020-01-03 一种镜片疵病类型识别的方法

Publications (1)

Publication Number Publication Date
CN111192261A true CN111192261A (zh) 2020-05-22

Family

ID=70709801

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010005337.7A Withdrawn CN111192261A (zh) 2020-01-03 2020-01-03 一种镜片疵病类型识别的方法

Country Status (1)

Country Link
CN (1) CN111192261A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113012103A (zh) * 2021-02-07 2021-06-22 电子科技大学 一种大口径望远镜镜片表面疵病定量检测方法
CN115639204A (zh) * 2022-10-09 2023-01-24 无锡华澄线缆有限公司 电缆绝缘层体气泡判断系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113012103A (zh) * 2021-02-07 2021-06-22 电子科技大学 一种大口径望远镜镜片表面疵病定量检测方法
CN115639204A (zh) * 2022-10-09 2023-01-24 无锡华澄线缆有限公司 电缆绝缘层体气泡判断系统及方法

Similar Documents

Publication Publication Date Title
CN111862064B (zh) 一种基于深度学习的银质丝材表面瑕疵识别方法
CN115294120B (zh) 基于图像识别的阀门表面质量检测方法
CN108827969B (zh) 金属零件表面缺陷检测与识别方法及装置
CN116721106A (zh) 一种基于图像处理的型材瑕疵视觉检测方法
CN114943739B (zh) 一种铝管质量检测方法
CN114359270A (zh) 基于计算机视觉的汽车发动机油路铜套缺陷检测方法
CN115861291B (zh) 基于机器视觉的贴片电路板生产缺陷检测方法
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
CN113554631B (zh) 一种基于改进网络的芯片表面缺陷检测方法
CN116645367B (zh) 一种高端制造用的钢板切割质量检测方法
CN109540925B (zh) 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法
CN112686920A (zh) 一种圆形零件几何尺寸参数视觉测量方法及系统
CN113177924A (zh) 一种工业流水线产品瑕疵检测方法
CN113658131A (zh) 一种基于机器视觉巡游式环锭纺断纱检测方法
CN111551350A (zh) 一种基于U_Net网络的光学镜片表面划痕检测方法
CN115100191A (zh) 基于工业检测的金属铸件缺陷识别方法
CN110111301A (zh) 基于频域变换的金属氧化表面缺陷视觉检测方法
CN115375686A (zh) 一种基于图像处理的玻璃边缘瑕疵检测方法
CN111192261A (zh) 一种镜片疵病类型识别的方法
CN105184792B (zh) 一种圆锯片磨损量在线测量方法
CN115866502A (zh) 一种麦克风零件表面缺陷在线检测流程
CN114255212A (zh) 一种基于cnn的fpc表面缺陷检测方法及其系统
CN115063407A (zh) 一种用于环形铜垫片的划痕及裂纹识别方法
CN115290663A (zh) 基于光学检测的Mini LED晶圆外观缺陷检测方法
CN115311289A (zh) 一种素色布匹油渍缺陷检测方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20200522