CN111220582A - 荧光渗透检查系统和方法 - Google Patents

荧光渗透检查系统和方法 Download PDF

Info

Publication number
CN111220582A
CN111220582A CN201911172989.3A CN201911172989A CN111220582A CN 111220582 A CN111220582 A CN 111220582A CN 201911172989 A CN201911172989 A CN 201911172989A CN 111220582 A CN111220582 A CN 111220582A
Authority
CN
China
Prior art keywords
image
workpiece
wipe
images
candidate region
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.)
Pending
Application number
CN201911172989.3A
Other languages
English (en)
Inventor
边霄
史蒂文斯·布沙尔
大卫·坎廷
史蒂芬尼·哈雷尔
约翰·卡里吉亚尼斯
大卫·斯科特·迪温斯基
伯纳德·布莱
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.)
General Electric Co
Original Assignee
General Electric Co
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 General Electric Co filed Critical General Electric Co
Publication of CN111220582A publication Critical patent/CN111220582A/zh
Pending legal-status Critical Current

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
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/6428—Measuring fluorescence of fluorescent products of reactions or of fluorochrome labelled reactive substances, e.g. measuring quenching effects, using measuring "optrodes"
    • 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
    • G01N21/91—Investigating the presence of flaws or contamination using penetration of dyes, e.g. fluorescent ink
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
    • B25J9/1697—Vision controlled systems
    • 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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9515—Objects of complex shape, e.g. examined with use of a surface follower device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • 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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference 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
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/6428—Measuring fluorescence of fluorescent products of reactions or of fluorochrome labelled reactive substances, e.g. measuring quenching effects, using measuring "optrodes"
    • G01N2021/6439—Measuring fluorescence of fluorescent products of reactions or of fluorochrome labelled reactive substances, e.g. measuring quenching effects, using measuring "optrodes" with indicators, stains, dyes, tags, labels, marks
    • 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
    • G01N2021/8861—Determining coordinates of flaws
    • G01N2021/8864—Mapping zones of defects
    • 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
    • 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
    • G06T2207/10064—Fluorescence 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Optics & Photonics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

一种检查系统，包括一个或多个处理器，该一个或多个处理器以紫外线(UV)设定获得其上具有荧光染料的工件的第一图像，并且以可见光设定获得工件的第二图像。通过一个或多个成像设备在相对于工件的相同位置产生第一图像和第二图像。一个或多个处理器基于一个或多个像素的光特性来识别第一图像的候选区，并且确定与第一图像的候选区处于类似地点的第二图像的对应候选区。一个或多个处理器分析两个候选区，以检测在工件的表面上的潜在缺陷以及潜在缺陷相对于工件的表面的地点。

Description

荧光渗透检查系统和方法
技术领域
本文所述的主题涉及使用荧光来检测缺陷的工件检查。
背景技术
荧光渗透指示(FPI)检查利用施加到工件的无孔表面上的荧光染料。在从表面上去除大量染料之后，在暗室中用紫外线辐射照射表面会导致工件的间断内的残留染料量发射出与暗背景形成对比的荧光辉光，表明存在间断。每个间断可能是工件的表面中的缺陷，例如裂缝、缺口、显微收缩或散裂(例如剥落)。当前的FPI检查方案是纯手动的。例如，检查员坐在暗室或帐篷中，并且操纵紫外线光源和/或工件，以用紫外线光来照射工件。在最初检测到工件上的潜在缺陷时，检查员可以刷过或擦拭工件，以去除可能表示误报的任何灰尘和/或碎屑或其他表面污染。然后，检查员第二次在紫外线光下观察工件，以确定工件表面上是否存在任何缺陷。如果检查员确定工件具有一个或多个缺陷，则检查员可以指定工件用于修理或可以丢弃(例如，报废)工件。
当前的FPI检查的手动处理是主观并且不一致的。例如，该处理受到进行检查的特定检查员的固有人为偏见和/或错误的影响。尽管在确定是否因为满意而通过工件、将工件送交修理、或丢弃工件时会采用检查员要遵循的指南或规则，但是两名不同的检查员可能会根据偏见和/或错误而不同地应用指南。可能的是，一个检查员会决定丢弃(例如，报废或处置)工件，而另一个检查员在类似情况下会决定通过或修理该工件。
除了对特定工件进行分类以用于立即使用、修理或处置之外，在FPI检查的当前处理期间可能仅收集并记录有有限的信息量，如果有的话。在不收集和记录有关检测到的缺陷的足够信息的情况下，不能研究和分析此类信息以用于改进FPI检查的质量控制和一致性。
此外，当前的用于FPI检查的手动处理效率低下，并且对于检查员来说也不舒服。例如，对于检查员而言，可能不舒服和/或不期望的是，在暗室或帐篷中花费较长的时间操纵紫外线光源和/或覆盖有染料的工件来检查工件。
发明内容
在一个或多个实施例中，提供了一种检查系统，该检查系统包括一个或多个处理器，一个或多个处理器被构造成以紫外线(UV)光设定获得其上具有荧光染料的工件的第一图像，并且以可见光设定获得工件的第二图像。工件在UV光设定中被紫外线光照射，以使得荧光染料发射光，并且工件在可见光设定中被可见光照射，以使得工件反射光。通过一个或多个成像装置在相对于工件的相同位置产生第一图像和第二图像。一个或多个处理器被构造成基于候选区内的一个或多个像素的光特性来识别第一图像的候选区，并且确定与第一图像的候选区处于类似地点的第二图像的对应候选区。一个或多个处理器被构造成分析第一图像的候选区和第二图像的对应候选区两者，以检测工件的表面上的潜在缺陷以及潜在缺陷相对于工件的表面的地点。
在一个或多个实施例中，提供了一种方法，该方法包括以紫外线(UV)光设定获得在其上具有荧光染料的工件的第一图像，在UV光设定中，用紫外线光照射工件，以使得荧光染料发射光。该方法包括以可见光设定获得工件的第二图像，在可见光设定中，通过可见光照射工件，以使得工件反射光。通过一个或多个成像装置在相对于工件的相同位置产生第一图像和第二图像。该方法还包括基于候选区内的一个或多个像素的光特性来识别第一图像的候选区，并且确定与第一图像的候选区处于类似地点的第二图像的对应候选区。该方法还包括经由一个或多个处理器，分析第一图像的候选区和第二图像的对应候选区两者，以检测工件的表面上的潜在缺陷以及潜在缺陷相对于工件的表面的地点。
在一个或多个实施例中，提供了一种检查系统，该检查系统包括一个或多个处理器，一个或多个处理器被构造成以紫外线(UV)光设定获得工件的第一图像，并且以可见光设定获得工件的第二图像。工件在其上具有荧光染料。通过一个或多个成像装置在相对于工件的相同位置产生第一图像和第二图像。一个或多个处理器被构造成基于候选区内的一个或多个像素的光特性来识别第一图像的候选区，并且将第一图像的候选区输入到双分支神经网络的第一分支中。一个或多个处理器还被构造成将与第一图像的候选区类似的地点处的第二图像的对应候选区输入到双分支神经网络的第二分支中，以通过双分支神经网络的人工神经元层在前向传播方向上检验候选区。一个或多个处理器基于双分支神经网络的输出来检测候选区中描绘的工件的表面中的潜在缺陷。
附图说明
通过参考附图阅读以下非限制性实施例的描述，将更好地理解本发明主题，其中：
图1是根据实施例的检查系统的框图；
图2示出了相对于工件在两个不同位置处的工件和检查系统的成像装置；
图3示出了以可见光设定获取到的工件的第一图像和以UV光设定获取到的工件的第二图像；
图4是示出了根据实施例的由检查系统采集的UV图像中的像素强度的实例分布的曲线图；
图5示出了根据实施例的检查系统的人工神经网络；和
图6是根据实施例的用于进行工件的FPI检查的方法的流程图。
具体实施方式
本文描述的实施例提供了一种检查系统和方法，该检查系统和方法用于对工件进行荧光渗透指示(FPI)检查，与主要是手动的已知FPI检查技术相比效率和一致性提高。例如，本文公开的检查系统和方法的实施例可以是全自动的或至少是半自动的。实施例可以自动地测量和记录关于检查设定和在工件中的已发现缺陷的各种信息，这些信息生成客观跟踪记录并且可以用于改进质量、一致性、制造和设计。
检查系统和方法可以包括用于检查工件的一个或多个图像采集装置、一个或多个光源、一个或多个机械臂、以及一个或多个处理器。该系统可以产生描绘工件的图像数据，工件可以是转子组件的转子叶片。该系统使用深度学习算法对工件进行FPI检查，包括自动回流操作。本文所述的检查系统和方法的至少一个技术效果是相比主要手动的FPI检查技术，改进了效率和一致性。
根据一个或多个实施例，检查系统和方法在不同光照条件下获取工件的图像数据。例如，光照条件之一是紫外线(UV)光设定。该工件在其上具有荧光染料，该荧光染料响应于吸收紫外线辐射而发射出荧光辉光。图像数据可以被映射到工件的计算机设计模型，以将二维图像数据中采集到的特征与三维工件的相应物理特征进行定向和对准。分析在不同照明条件下的图像数据，以沿着工件的表面检测例如裂缝、散裂、缺口等缺陷的存在。在至少一个实施例中，训练基于深度学习的人工神经网络，以分析在不同光照条件下的图像数据，从而识别工件中的潜在缺陷。例如，人工神经网络可以自动地整合基于可见光的图像数据和基于UV光的图像数据，以推断图像数据中描绘的工件的感兴趣表面区具有FPI型缺陷的可能性。检查系统和方法可以在计算机可读存储装置中自动记录各种信息，例如光设定的性质，检测到的缺陷的特性(例如，地点、大小和尺寸、形状、类型等)，工件的特性，检查结果(例如，通过、修理或丢弃)等。
图1是根据实施例的检查系统100的框图。检查系统100被构造为获得工件120的多个图像以支持FPI检查。例如，检查系统100控制一个或多个成像装置108在不同的光照形态或条件下采集工件120的图像。检查系统100控制一个或多个成像装置108从相对于工件120的至少一个选定位置获取图像，以及可选地，从相对于工件120的多个不同位置获取图像。检查系统100可以被构造为自动组合从不同位置获取到的图像，以确定在图像中采集的工件120的覆盖区域。本文所指的图像由图像数据所限定，并且可以被采集为静止图像或视频帧。
检查系统100包括可操作地连接到存储器存储装置106的控制电路102。控制电路102包括一个或多个处理器103和关联的电路系统。例如，控制电路102包括和/或表示一个或多个硬件电路或电路系统，这些硬件电路或电路系统包括一个或多个处理器103、控制器和/或其他基于硬件逻辑的装置，与一个或多个处理器103、控制器和/或其他基于硬件逻辑的装置连接，或既包括一个或多个处理器103、控制器和/或其他基于硬件逻辑的装置又与其连接。控制电路102可以包括中央处理单元(CPU)、一个或多个微处理器、图形处理单元(GPU)、或能够根据特定逻辑指令处理输入数据的任何其他电子部件。例如，控制电路102可以执行存储在存储器存储装置106上或存储在另一有形且非暂时性计算机可读介质上的编程指令。
存储器存储装置106(在本文中也称为存储器106)是有形且非暂时性的计算机可读介质。存储器106可以包括或表示闪存、RAM、ROM、EEPROM等。控制电路102和存储器106可以直接从一个或多个成像装置108获得工件120的图像，或者经由远程服务器或其他存储装置间接获得工件120的图像。控制电路102可以经由有线或无线通信链路可操作地连接到一个或多个成像装置108。所获得的图像可以存储在存储器106中或存储在控制电路102可访问的另一存储装置中。
一个或多个成像装置108可以是或包括至少一个照相机、传感器、扫描仪等。一个或多个成像装置108被构造成以紫外线(UV)光设定采集图像。例如，一个或多个成像装置108从工件120采集UV诱导可见荧光和/或UV诱导非可见荧光。一个或多个成像装置108还被构造成以可见光设定采集图像，使得一个或多个成像装置108采集工件120反射出的可见光。在实施例中，检查系统100具有单个成像装置108，该单个成像装置108包括用于采集UV图像的硬件和用于采集可见光图像的硬件。替代地，检查系统100包括具有用于采集UV图像的硬件的第一成像装置108和具有用于采集可见光图像的硬件的第二成像装置108。尽管以下描述以单数形式指代成像装置108，但是应认识到，检查系统100可具有多个成像装置108。
成像装置108可以具有一个或多个滤光器和/或透镜，该滤光器和/或透镜被设计成限制允许通过滤光器和/或透镜的波长。例如，成像装置108可以具有屏障滤光器，该屏障滤光器仅允许可见光谱中的一定波长带内的光穿过滤光器，不包括环境光和/或白光中存在的其他波长。另外地或替代地，成像装置108可以具有屏障滤光器，该屏障滤光器仅允许UV光谱中的一定波长带内的光穿透滤光器。在采集特定图像的时候，成像装置108在成像装置108的视场中采集表示主题的图像。
在所示的实施例中，除了控制电路102、存储器106和成像装置108之外，检查系统100包括可见光源110、紫外线光源111、第一机械臂114、第二机械臂116、通信装置112和输入/输出装置122。检查系统100可以包括图1中未示出的附加部件。在替代实施例中，检查系统100可以相比图1所示的部件具有至少一些不同的部件。例如，在替代实施例中，检查系统100可以仅具有两个机械臂114、116中的一个或至少三个机械臂。
成像装置108被安装在第一机械臂114上。第一机械臂114能够相对于工件120沿多个轴线(例如，横向、纵向和垂直的)移动成像装置108。第一机械臂114还可以调节成像装置108相对于工件120的角度。第一机械臂114经由有线或无线通信链路可操作地连接至控制电路102。例如，控制电路102控制第一机械臂114，以将成像装置108移动到空间中的特定的选定位置。每个选定位置具有在坐标系中的特定的地点坐标(例如，x、y、z)和特定的角度坐标(例如，rx、ry、rz)。例如，成像装置108的位置指的是成像装置108的地点和角度两者。该地点和角度可以相对于工件120或另一参考点。替代地，地点或角度中的至少一个可以是绝对值。控制电路102可以通过(i)仅改变成像装置108的地点，(ii)仅改变成像装置108的角度，或(iii)改变成像装置108的地点和角度两者，来控制第一机械臂114将成像装置108从第一位置移动到第二位置。第一机械臂114可以具有各种致动器和/或旋转轴线，以如控制电路102所指示的那样操纵成像电路108。在替代实施例中，至少一个光源110、111与成像装置108一起安装在第一机械臂114上，而不是远离机械臂114安装。
检查系统100被构造成检查具有各种形状和大小的工件120。在所示的实施例中，工件120是例如来自压缩机或涡轮的转子叶片。可以在系统100中被检查的其他类型的工件120的非限制性实例包括喷嘴、轴、轮、活塞、燃烧室等。例如，工件120可以是发动机、运载器或其他机械的金属部件。工件120可以具有无孔表面，荧光染料被施加到该无孔表面上用于进行FPI检查。
工件120设置在基座130或平台上。在所示的实施例中，在整个检查过程中，工件120在基座130上的固定位置中保持固定，并且成像装置108经由第一机械臂114相对于工件120移动以采集图像。在替代实施例中，基座130可以是旋转台或包括旋转台，旋转台旋转以调节工件120相对于成像装置108的位置。尽管在图1中仅示出了一个工件120，但是基座130可以是托盘，该托盘并排保持多个工件120以同时检查工件120。在替代实施例中，在整个检查过程中，成像装置108在固定位置保持固定，并且第一机械臂114相对于成像装置108保持并移动工件120，以在一个或多个位置采集图像。
第二机械臂116保持拭子118。拭子118可以是垫、块、布、海绵等形状的吸收性材料，或刷子。第二机械臂116能够相对于工件120移动，以用拭子118擦拭、刷过或以其他方式接触工件120，以从工件120的表面去除或转移灰尘、碎屑和其他污染物。第二机械臂116经由有线或无线通信链路可操作地连接到控制电路102，并且可以由控制电路102控制。例如，如本文所述，控制电路102可以经由通信链路向将第二机械臂116传送控制信号，以控制机械臂116用拭子118擦拭或刷过工件120的一个或多个特定区域。
可见光源110发射电磁光谱中的可见波长带内的光。例如，可见波长带可以从大约400nm延伸到大约750nm。如本文所使用的，“大约”是特定值的波长可以包括在该特定值的指定范围内的波长，例如在特定值的30nm内的波长。可见光源110可以提供具有宽波长带的可见光(例如，白光)，或者可以提供具有窄波长带的光。可见光源110可以具有用于控制从光源110发射出的可见光的波段的滤光器。
紫外线光源111发射在电磁光谱中的UV波长带内的光，其具有比可见带短的波长。例如，UV带可以从大约1nm延伸到大约400nm。UV光源111可以提供具有在UV带内的窄波长带或在UV带内的宽波长带的UV光。例如，UV光源111可以具有滤光器(例如，激发滤光器)，该滤光器使照明波段变窄，以便仅允许UV辐射通过该滤光器，诱导特定荧光。例如，可以基于施加到工件120上的荧光染料的性质来选择滤光器的类型或滤光器的设定，使得允许通过滤光器的UV辐射通过染料诱导期望的荧光响应。
可见光源110和紫外线光源111均经由有线和/或无线通信链路可操作地连接至控制电路102。控制电路102被构造成通过控制每个光源110、111何时被激活(例如，发射光)和去激活(例如，不发射光)来独立地操作光源110、111。例如，控制电路102可以通过激活可见光源110并且去激活UV光源111来实施可见光设定。控制电路102可以通过激活UV光源111并且去激活可见光源110来实施UV光设置。尽管在所示实施例中，光源110、111是分立的并且彼此分离，但是在另一个实施例中，两个光源110、111可以共享一个或多个部件，例如共同的外壳。
可选地，检查系统100包括围绕工件120和机械臂114、116的罩结构132。光源110、111安装在罩结构132上和/或内，并且发射光到由罩结构132限定的腔室133中。罩结构132可以使检查处理免受例如环境光或白光的外部光的影响，这可以使得在检查处理期间能够更好地控制光照条件。罩结构132可以是帐篷、窗帘、刚性壁等。
检查系统100的输入/输出(I/O)装置122包括允许操作者与检查系统100进行交互的至少一个显示装置和至少一个用户输入装置。I/O装置122可操作地连接到控制电路102。显示器可以是液晶显示器(例如，发光二极管(LED)背光)、有机发光二极管(OLED)显示器、等离子显示器、CRT显示器等。用户输入装置可以是被构造成接收来自操作者的输入的触摸板、触摸屏、鼠标、键盘、物理按钮等。例如，操作者可以使用显示器查看FPI检查的结果，并且用于选择附加动作，例如安排工件120的修理、承认工件120通过检查或丢弃工件120。在一个实施例中，操作者可以通过在显示器上查看由成像装置108采集到的图像，并且通过使用用户输入装置，在与图像中选定区域相对应的区中，选择具有潜在缺陷的图像区域，以用于工件120的附加检查，来参与分析。可选地，I/O装置122包括用于警告操作者的附加输出，例如音频扬声器、振动装置等。
控制电路102可以可操作地连接到检查系统100的通信装置112，通信装置112包括诸如收发器、接收器、发送器等的硬件以及关联的电路系统(例如，天线)。通信装置112可以由控制电路102控制，以与检查系统100的例如成像装置108、光源110、111和/或机械臂114、116的一个或多个部件无线通信。另外地或替代地，通信装置112可以将控制电路102无线地连接到另一个装置，诸如远程服务器、移动装置(例如，由操作者持有)等。
可选地，控制电路102、存储器106、通信装置112和I/O装置122可以是例如计算机(例如，台式电脑、笔记本电脑、平板电脑、智能电话、移动工作站等)的通用装置内的部件。例如，控制电路102、存储器106、通信装置112和I/O装置122可以被外壳或壳体共同包围。通信装置112和I/O装置122可以是检查系统100的可选部件，使得替代实施例可以缺少装置112、122中的一个或两个。
根据一个或多个实施例的检查系统100自动进行全部或至少一部分FPI检查处理，以检测和评估工件120上的FPI缺陷。例如，基座130上的工件120具有施加到正在被检查的工件120的表面134(例如，检查表面134)上的荧光染料。检查表面134可以表示工件120的大体上背离基座130而朝向光源110、111的一部分(例如，上侧)。可以在施加染料之前，清洁工件120。在染料施加之后，清洁并干燥工件120的检查表面134，以从工件120上去除大部分染料。可以将显影剂施加到工件120的表面134。清洁处理没有去除渗透到表面134中的例如裂缝、角落、缝隙、不规则的表面状况等的间断(discontinuity)中的染料。间断表示工件120中的潜在缺陷。在清洁和干燥表面134之后，这种间断内的至少一部分染料可以从间断中渗出(例如，排出)到表面134的周围区域上。FPI检查处理使用从工件120中的间断排出的染料的UV诱导荧光，以检测工件120中的潜在缺陷。可选地，图1所示的检查系统100被构造成在初始染料施加和清洁阶段之后进行FPI检查处理的步骤。
根据一个或多个实施例，控制电路102通过控制成像装置108以UV光设定采集工件120的一个或多个图像(例如，第一组图像)，并且以可见光设定采集工件120的一个或多个图像(例如，第二组图像)，来进行FPI检查。第一组图像和第二组图像在成像装置108相对于工件120的一个或多个相同位置处通过成像装置108被采集。例如，对于在成像装置108的指定位置处采集到的第一组中的每个图像，存在有在相同的指定位置处采集到的第二组中的对应图像，使得第一和第二组中的对应图像之间的唯一区别是光照条件。控制电路102可以分析在不同光照条件下从成像装置108获得的图像，以检测指示工件120中的缺陷的图像数据。控制电路102将图像映射到工件120的计算机设计模型，以用实际工件120中的缺陷的物理地点来校准图像中的缺陷的图形地点。除了确定缺陷的物理地点之外，将图像映射到计算机设计模型使得能够基于图像数据来测量缺陷的物理尺寸(例如，大小)。
以下段落描述由根据至少一个实施例的检查系统100进行的FPI检查操作。控制电路102获得工件120的计算机设计模型。计算机设计模型可以是三维(3D)模型，其具有表示3D计算机坐标系中的工件120的点(例如，体素)。计算机设计模型可以是工件120的比例表示。例如，实际工件120与I/O装置122的显示器上的模型的显示大小之间的大小差异可以是已知的，这使得检查系统100能够通过沿着模型测量对应长度来计算实际工件120的长度。计算机设计模型可以是计算机辅助设计(CAD)模型等。控制电路102可以经由通信装置112或有线端口或驱动器从外部来源获得工件120的计算机设计模型。计算机设计模型可以至少临时地被存储在存储器106内。
使用计算机设计模型，控制电路102选择成像装置108的一个或多个位置，在该位置处采集工件120的检查表面134的图像。例如，选择一个或多个位置，以确保工件120的整个检查表面134被描绘在选定位置处获取到的图像内。
现在另外参考图2，其示出了相对于工件120处于两个不同位置处的工件120和成像装置108。图2中的工件120可以是计算机设计模型中的工件120的3D表示。在相对于工件120的第一位置202和第二位置204处示出了成像装置108。例如，第一位置202具有地点坐标(x1，y1，z1)和角度坐标(rx1，ry1，rz1)。两个角度坐标指的是两个垂直平面中的角度。例如，机械臂114可以被构造成在两个垂直平面中使成像装置108倾斜和旋转以实现各种角度。第二位置204具有地点坐标(x2，y2，z2)和角度坐标(rx2，ry2，rz2)。第二位置204的地点和角度均不同于第一位置202的地点和角度。
控制电路102可以选择第一位置202和第二位置204作为指定位置，在FPI检查处理期间，成像装置108在该指定位置处将获取工件120的图像。位置202、204的总数及其地点和角度可以由控制电路102基于例如成像装置108的视场、工件120的检查表面134的大小、检查表面134的复杂性(例如，表面拓扑)等的因素来被计算。控制电路102可以利用工件120的计算机设计模型来确定被计入计算的工件120的测量和特征。
位置选择计算还可以取决于约束条件，例如与从工件120的表面134到成像装置108的法向轴线的最大允许相对角度。例如，与法向轴线的角度的可以接受范围可以是与法向轴线的45度内、30度内、20度内或10度内。可以实施该角度约束条件，使得成像装置108与检查表面134相对正交，以确保成像装置108接收从检查表面134反射或辐射的足够光量。另一个约束条件可以指示工件120的整个检查表面134在一个或多个选定位置处获取到的图像数据中被采集，这确保了检查整个表面134的缺陷。
控制电路102可以基于工件120和成像装置108的已知特性以及指定的约束条件来解决优化问题，以从大组潜在位置中选择一个或多个位置作为优化问题的输出或结果。例如，控制电路102可以利用已知信息来模拟工件120的将在每个潜在位置处由成像装置108采集在图像数据中的区或区域。例如，图2示出了将由成像装置108在第一位置202处以成像装置108的设定视场212采集的覆盖区域206(由图2中的点阴影表示)。图2还示出了将由成像装置108在第二位置204处以相同视场212采集的不同覆盖区域208(由图2中的虚线阴影表示)。覆盖区域206大致沿着图2中的工件120的右半部分，并且覆盖区域208大致沿着工件120的左半部分。存在其中覆盖区域206、208重叠的重叠区域210，表明工件120的这些部分将被采集在两个位置202、204中的每个位置处获取到的图像中。如图2所示，两个覆盖区域206、208的组合覆盖工件120的整个检查表面134。
尽管在所示实施例中选择两个位置用于FPI检查，但是在其他实施例中，控制电路102可以仅选择一个位置或两个以上的位置。例如，如果成像装置108能够在满足所有的指定约束条件的情况下从单个位置采集工件120的整个检查表面134，则控制电路102可以选择用于采集图像数据的单个位置，而不是多个位置。
在选择一个或多个位置之后，控制电路102开始图像获取阶段。控制电路102控制机械臂114，以将成像装置108移动到两个选定位置202、204中的第一个选定位置。例如，机械臂114可以将成像装置108移动到第一位置202，第一位置202也被称为标准位置202。在标准位置202处，控制成像装置108以可见光设定获取工件120的图像。例如，控制电路102可以通过激活可见光源110并且去激活UV光源111(或者，如果适用的话，将UV光源111维持在去激活状态)来建立可见光设定。结果，在罩结构132的腔室133内的工件120被具有可见波长带的光照射。
在不从标准位置202移动成像装置108的情况下，控制成像装置108获取工件120的另一个图像，但是这次是以UV光设定。控制电路102可以通过去激活可见光源110并且激活UV光源111来建立UV光设定。结果，腔室133内的工件120被UV光(具有在UV带内的一个或多个波长)照射。在UV光设定中，腔室133可能因为腔室133内缺少可见光而从操作者的角度来看是暗的。尽管以上将可见光图像描述为在采集UV图像之前被采集，但是认识到的是，可以颠倒顺序，使得在可见光图像之前获取UV图像。
现在参考图3，其示出了以可见光设定获取到的工件120的第一图像302和以UV光设定获取到的工件120的第二图像302。尽管在不同的光照条件或模态下获取了两个图像302、304，但是成像装置108从相对于工件120的相同位置(例如，图2所示的标准位置202)采集两个图像302、304。结果，两个图像302、304都描绘相同主题(例如，图2所示的工件120的覆盖区域206)。
可选地，控制电路102可以对在标准位置202处获取到的两个图像302、304进行初始分析，以确保在进行FPI检查处理之前满足各种前提条件。例如，一个前提条件可以包括测量UV图像304中的光的平均强度。UV图像304中的光表示来自工件120上的染料的UV诱导辐射。平均强度可以是UV图像304中的每个像素的平均强度。如果UV图像304中的光的平均强度超出指定阈值，则在工件120上存在过量残留物(例如，荧光染料、灰尘、碎屑、污染物等)。例如，如果大量的检查表面134辐射或反射由成像装置108在UV图像304中采集到的光，则难以将实际缺陷与例如残留染料(与来自缺陷的回流(bleed back)无关)、灰尘、污垢和其他污染物的误报区分开。作为响应，在重新开始图像采集阶段之前，安排工件120的附加清洁以去除多余残留物。如果UV图像304中的平均光强度处于或低于指定阈值，则满足该前提条件。
另一个前提条件检查工件120相对于系统100的对准。更具体地，控制电路102可以分析可见光图像302，以使可见光图像302中的工件120的对准与参考姿势比较。参考姿势可以存储在存储器106中或存储在控制电路102可访问的另一个存储装置中。控制电路102可以进行简单的图像分析，例如边缘检测，以确定可见光图像302中所示的工件120的周界轮廓。如果图像302中的周界轮廓在指定的误差幅度内与参考姿势对准，则认为满足了该前提条件。另一方面，如果周界轮廓没有与参考姿势对准，则工件120可能需要在基座130上重新对准。工件120与参考姿势的未对准也可以指示工件120是否是与控制电路102预期的大小或类型不同的工件120。例如，控制电路102可以被安排在叶片上进行FPI检查，但是基座130上的实际工件120是喷嘴。在继续FPI检查之前，可以使用该对准检查来更正错误。
在根据实施例的FPI检查处理中，控制电路102被构造成将可见光图像302映射到工件120的计算机设计模型。控制电路102可以利用图像分析技术，例如特征匹配、边缘检测、边界分析、边缘配准、边缘拟合等，以确定在图像302的主题中描绘了工件120的计算机设计模型的哪些部分。在非限制性实例中，控制电路102可以进行特征匹配，以将可见光图像302映射到计算机设计模型。在特征匹配分析中，控制电路102可以识别图像302中所示的一组指定特征，例如叶片的角部、叶片的端部、凸缘的角部等，并且确定图像302的帧内的每个指定特征的坐标和/或尺寸。例如，图像302中的指定特征的坐标和尺寸可以基于表示指定特征的像素的数量和地点。控制电路102在计算机设计模型中定位表示来自图像302的一组指定特征的对应特征，并且确定计算机设计模型的3D坐标系内的每个对应特征的坐标和/或尺寸。然后，控制电路102将关于图像302中的每个指定特征的信息与来自计算机设计模型中的特征的关联信息进行分组，以生成数据对。例如，工件120的叶片的特定角部可以在图像302中由十个像素描绘，每个像素在图像302中具有已知的2D坐标。叶片的相同角部可以由在计算机设计模型中具有已知的3D坐标的六个体素表示，因此利用图像数据和模型数据产生叶片的角部的数据对。
控制电路102可以产生传递函数，该传递函数将图像302中的特征的坐标和大小转换为计算机设计模型中的对应特征的坐标和大小。例如，传递函数可以减小表示工件120的指定特征的每个数据对中的图像数据和模型数据之间的偏移。控制电路102可以将传递函数应用于可见光图像302的点或区，以确定计算机设计模型中的对应点或区。传递函数还可以用于通过将图像302中所示的缺陷的尺寸转换成计算机设计模型，来确定图像数据中识别出的缺陷的尺寸(例如长度，大小等)，计算机设计模型是实际工件120的比例表示。
认识到的是，将可见光图像302映射到计算机设计模型也推定性地将UV图像304映射到计算机设计模型，因为图像302、304都在相同视角和参考帧中描绘相同的主题。例如，尽管两个图像302、304在外观上不同，但是可见光图像302中的给定地点(例如，2D图像坐标)处的像素描绘了与UV图像304中的类似地点(例如，对应的2D图像坐标)处的像素相同的主题，因为两个图像302、304从相同的地点和角度被采集。
将UV图像304映射到计算机设计模型还可以使得UV图像304的像素强度能够被归一化。例如，知道深度和3D模型几何形状，控制电路102可以使UV光强度归一化，以在UV图像304的整个区域上产生一致的强度。可见光图像302中的像素的强度也可以基于计算机设计模型而在可见光图像302的总区域上被归一化。
在标准位置202处在两个不同光照条件下获取两个图像302、304之后，控制电路102可以控制机械臂114将成像装置108移动到另一个选定位置，如果有的话。例如，可以控制机械臂114移动到第二位置204(如图2所示)，在第二位置204处，控制电路102在成像装置108在第二位置204的情况下重复图像分析阶段。例如，控制电路102控制光源110、111，以提供其中成像装置108从第二位置204采集图像的可见光设定，并且分开地控制光源110、111，以提供其中成像装置108从相同位置204采集另一个图像的UV光设定。在一个实施例中，对于由控制电路102选择的每个位置，成像装置108在那个位置采集可见光图像(例如，以可见光设定获取到的图像)和UV图像(例如，以UV光设定获取到的图像)两者。
控制电路102将成像装置108在第二位置204获取到的可见光图像(例如，第二可见光图像)映射到计算机设计模型。在实施例中，控制电路102可以映射第二可见光图像，而不对第二可见光图像进行例如特征匹配的附加图像分析。例如，控制电路102知道成像装置108的标准位置202和第二位置204之间的位置偏移。基于机械臂114从标准位置202到第二位置204的已知移动，控制电路102可以计算相对于第一可见光图像302的图像帧的第二可见光图像的图像帧或视场。先前产生的传递函数使来自第一可见光图像302的图像数据与计算机设计模型对准。通过利用传递函数以及成像装置108的两个位置202、204之间的已知位置偏移，控制电路102可以被构造成将第二可见光图像映射到计算机设计模型(而不进行附加图像分析)。在替代实施例中，控制电路102对在第二位置204处采集到的第二可见光图像进行图像分析，以产生第二传递函数，用于独立于第一可见光图像302的映射，将第二可见光图像映射到计算机设计模型。
在映射第二可见光图像时，第二可见光图像中所示的工件120的某些部分可以与(第一)可见光图像302中所示的工件120的部分重叠。例如，图像的重叠部分可以对应于图2中所示的工件120的重叠区域210。识别图像的重叠部分有助于检测正确的缺陷量。例如，如果在工件120的重叠区域210内沿着工件120的检查表面134存在缺陷，则可以在来自成像装置108的两个位置202、204的每个位置的图像中描绘一个缺陷。识别图像的重叠部分并将图像映射到计算机设计模型确保不会将此类缺陷解释为两个不同的缺陷。
在从成像装置108相对于工件120的每个选定位置以UV和可见光设定获取工件120的图像之后，控制电路102进行候选区提议阶段，以识别图像中描绘工件120的表面134中的潜在缺陷的一个或多个候选区。例如，分析包括图3所示的UV图像304的一个或多个UV图像，以识别候选区。该分析可以由控制电路102或一个或多个其他处理器自动进行。
可以基于UV图像中的像素的光特性来识别候选区。测量到的光特性可以包括强度、波长等。在实施例中，通过识别强度大于指定强度阈值的像素来识别候选区。强度阈值可以是被均匀地应用于所有UV图像的绝对值。替代地，强度阈值可以是对于每个图像特定的相对值，例如相对于特定图像中的所有像素的平均强度的阈值。如UV图像304中所示，除了两个相对较小的像素簇305之外，大部分UV图像304是暗的，两个相对较小的像素簇305具有比暗的周围区域更大的强度。
图4是示出了根据实施例的由检查系统100采集到的例如图3中所示的UV图像304的UV图像中的像素强度的实例分布的曲线图402。曲线图402示出了沿着垂直轴404的像素数量和沿着水平轴406的像素强度。曲线图402具有在第一强度范围410处的大峰值408，以及在第二强度范围414处的小峰值412，第二强度范围是比第一强度范围410大的强度水平。峰值408、412指示UV图像中的多数像素具有低强度，并且少数像素具有较大强度。小峰值412可以表示UV图像304中的浅色明亮的像素簇305，并且大峰值408可以表示UV图像304中的暗的像素区域。控制电路102可以被构造成分析各个像素强度，并且在第一强度范围410与第二强度范围414之间选择强度值416作为指定强度阈值，用于识别UV图像中的候选区。在设定强度阈值之后，控制电路102可以通过识别具有大于指定强度阈值的强度的像素簇，例如图3所示的簇305，来识别UV图像中的候选区。合格的像素簇可以具有强度大于阈值的多个相邻像素。作为强度的替代，可以分析UV图像中的像素的波长，以识别候选区。
参考图3中的UV图像304，两个簇305处的光的荧光强度超出指定强度阈值。例如，像素簇305处的亮光可以归于工件120上的荧光染料，该荧光染料响应于来自UV光源111的UV光发出荧光(例如，发射辐射)。在清洁阶段之后，染料可以从工件120中的例如裂缝，散裂或剥落区域，缺口等的缺陷中排出或渗出，使得染料的存在可以指示工件120的检查表面134中的缺陷。
在识别出像素簇305之后，控制电路102可以在每个像素簇305周围应用边界框307，以限定UV图像304中的各个候选区308。例如，边界框307可以是四边形(例如，正方形、矩形等)编辑机构，该编辑机构划定候选区308的周界。边界框307的应用确保候选区308具有线性边和指定形状，这可以相对于仅处理不规则形状的像素簇305，改进后续图像处理阶段。UV图像304中的两个候选区308可以具有相同的大小和形状，或者可以基于两个像素簇305的不同大小而具有不同的大小。每个候选区308可以通过边界框307的角部的2D图像坐标被限定或描述。在替代实施例中，候选区308可以具有除四边形之外的形状。
在UV图像304中识别候选区308不能确保在工件120中存在缺陷，因为候选区308可以归于除缺陷以外的被统称为误报的其他材料和/或物质。因此，候选区308是潜在含有缺陷的图像区域。在候选区提议阶段，UV图像304中的相对较高强度的像素簇305可能不是由从缺陷排出的染料所引起的，而是由工件120上的例如灰尘、污垢、粉末、油等的异物的光反射或发荧光所引起的。在另一个示例中，像素簇305可能是由沿着检查表面134的粗糙和/或不规则但未损坏的区域的荧光染料所引起的，该区域在图像获取阶段之前没有被充分清洁。因此，在当前的候选区提议阶段，候选区308可以指示缺陷和/或误报的地点。
除了分析UV图像以识别候选区308之外，可选地，控制电路102还可以分析以可见光设定采集到的可见光图像。例如，尽管由于染料的荧光而更容易检测UV图像中的小裂纹和其他小缺陷，但是可见光图像可以被分析以检测例如大裂缝、大散裂或剥落区域等的大缺陷。可见光图像可以比UV图像更好地显示出大缺陷，因为清洁阶段可以从大缺陷内去除所有或大部分荧光染料。
在实施例中，在识别UV图像304中的候选区308之后，一个或多个处理器在与UV图像304中的候选区308类似的地点处识别可见光图像302中的对应候选区314。例如，候选区314在与候选区308类似的地点处，因为如果UV图像304被叠加到可见光图像302上，则可见光图像302中的候选区314将与UV图像304中的对应候选区308重叠。与UV图像304的第一候选区308A对应(或类似)的可见光图像302的第一候选区314A可以相对于帧与第一候选区308A具有相同的图像坐标。例如，如果候选区308A的左上角在UV图像304的帧中具有2D坐标(X231，Y165)，则可见光图像302的类似候选区314A可以被限定为具有在可见光图像302的帧中的坐标(X231，Y165)处的左上角。因为两个图像302、304从成像装置108的相同位置被采集，所以在图像302、304中的类似地点处的每对对应候选区308、314(例如，区308A和314A)描绘了相同的主题。可以认识到，只要候选区308、314的地点中存在一些重叠，每个对应对中的候选区308、314不需要彼此相同地匹配，就被认为是处于各个图像302、304中的类似地点。
识别可见光图像302的候选区314可以增强对UV图像304的类似候选区308中的主题的理解。例如，可见光图像302的两个候选区314包括类似于第一候选区308A的第一候选区314A和类似于第二候选区308B的第二候选区314B。第一候选区314A沿着工件120的叶片310的面被定位。第二候选区314B沿着工件120的凸缘312的边缘被定位。因为候选区314A，314B是沿着描绘工件120的图像302的区域而不是沿着背景，所以在FPI检查处理的时候，控制电路102可能无法将候选区314A，314B中的任一个排除或取消为误报。接下来的阶段是自动缺陷检测。
在一个或多个实施例中，用于识别UV图像304中的候选区308和可见光图像302中的对应候选区314的候选区提议阶段可以由控制电路102或其他处理电路系统基于编程指令来自动化。在替代实施例中，FPI检查处理可以是半自动化的，使得检查系统100在上述候选区提议阶段期间利用操作者的输入。例如，控制电路102可以在I/O装置122的显示器上向操作者显示UV图像。操作者可以查看显示的图像，并且利用I/O装置122的输入装置，例如触摸屏、触摸板、鼠标、键盘等，手动选择候选区308。例如，如果操作者查看图3中所示的UV图像304，则操作者可以手动选择两个明亮的簇305，以将簇305标记为候选区308。操作者还可以能够查看可见光图像302并且手动选择可见光图像302上的区域作为候选区314，例如可以描绘出无需借助荧光渗透染料就能够看到的工件120上的相对较大缺陷的区域。用户选择可以作为用户输入消息被传送到控制电路102，控制电路102在存储器106中记载用户选择。
在候选区提议阶段之后，控制电路102被构造成用可见光图像302的对应候选区314来分析UV图像304的候选区308，以检测工件120的检查表面134中的潜在缺陷。在实施例中，不分析候选区308、314外部的图像302、304的区域，这相比于分析整个图像302、304，减少了处理的图像数据量。例如，控制电路102可以有效地从图像302、304的剩余区域中裁剪候选区308、314，以对候选区308、314进行分析。该分析确定潜在缺陷是否存在于工件120的沿着候选区308、314中描绘的区域的表面134中。
在至少一个实施例中，控制电路102在分析阶段期间，通过人工神经网络中的人工神经元层检查作为前向传播方向上的输入的候选区308、314，来分析图像302、304的候选区308、314。
参考图5，其示出了根据实施例的人工神经网络502。人工神经网络502(在本文中也称为神经网络502)可以在分析阶段被控制电路102用来检查图像302、304的候选区308、314，以产生候选区308、314描绘工件120的表面134中的缺陷的输出概率。人工神经网络502可以存储在存储器106内，或者可以远离存储器106和控制电路102存储。例如，通信装置112可以将图像传送到远程装置上的人工神经网络502，并且通信装置112可以从远程装置接收提供由神经网络502产生的输出概率的结果消息。
神经网络502由一个或多个处理器(例如，微处理器、集成电路、现场可编程门阵列等)形成。神经网络502被划分成两个以上的层104，例如接收输入图像的一个或多个输入层104A，输出所产生的概率的一个或多个输出层104B，以及在输入层104A与输出层104B之间的一个或多个中间层104C。神经网络502的层104表示人工神经元或节点的不同群或组，其可以表示由一个或多个处理器对输入图像执行的不同函数，以识别输入图像中的对象或特征。人造神经元在应用于输入图像的函数中应用不同的权重，以尝试识别输入图像中的感兴趣对象。为了检测工件120中的缺陷，各种层104中的人工神经元分析作为输入图像的候选区308、314，以将表面134中的缺陷识别为感兴趣对象。
神经网络502的层104中的人工神经元可以检查输入到神经网络502中的候选区308、314的各个像素。神经网络502可以基于像素的特性分析，按不同对象类分配不同像素或使不同像素与不同对象类关联。对象类是出现在图像中的对象的类型或类别。通常，人体和汽车可以是两个不同的对象类。用于本文所述的检查系统100的更具体的对象类可以包括作为一个对象类的裂缝，作为另一对象类的工件120的完整(未损坏)表面，作为另一对象类的工件120后的背景环境，作为又一个对象类的散裂或剥落区等。
在神经网络502中分析的每个像素可以用像素表示各种不同对象类的概率来标记(例如，关联)。例如，人工神经元(例如，处理器)可以使用线性分类来计算不同对象类或类别的分类分数，并且分类分数指示像素表示各种对象类中的每个对象类的概率。给定像素的分类分数可以表示为矢量[a b c d]，其中a，b，c和d的值指示像素表示每个不同对象类的概率。分类分数在本文中称为分类矢量。每个人工神经元可以将例如激活函数(activation function)的数学函数应用于同一像素，其中不同神经元所应用的函数会影响其他神经元所应用的函数。与一个或多个或所有其他神经元相比，不同的神经元可以对函数中的不同项应用不同的权重。函数的应用产生了用于候选区308、314中的像素的分类矢量，该分类矢量可以用于识别候选区308、314中所示的工件120中的缺陷。神经网络502不可能100％准确预测哪些对象由不同像素表示，因此神经网络502的输出包括置信度指示符，例如概率。
神经网络502的层104中的神经元通过检查像素的例如强度、颜色(例如，波长)等的特性来确定候选区308、314中的各种像素的分类矢量。神经网络502中的人工神经元的层104可以按顺序检查输入图像(例如，每个候选区)，其中检验给定像素的一个中间(或隐藏)层104C的神经元，随后是相邻中间层104C中的神经元，以此类推，以计算给定像素的分类矢量。通过神经网络502的在前层104中的神经元应用于像素特性的函数结果会影响通过后续层104中的神经元的函数应用。
在神经网络502的层104已经确定像素的分类矢量之后，神经网络502检查每个像素的分类矢量，并且确定每个像素的最高概率对象类。例如，具有分类矢量[0.6 0.15 0.050.2]的候选区314中的第一像素指示神经网络502计算出第一像素表示第一对象类(例如，裂缝形式的缺陷)的60％的概率，第一像素表示第二对象类(例如，工件的表面的完整或未损坏区域)的15％的概率，第一像素表示第三对象类(例如，工件后的背景)的5％的概率，第一像素表示第四对象类(例如，工件上的涂层散裂或剥落形式的缺陷)的20％的概率。
作为神经网络502的输出而产生的概率可以基于输入图像中的各个像素的确定概率。神经网络502中的处理器可以确定每个像素表示在该像素的对应分类矢量中具有最高或最大概率的对象类。例如，由于60％的概率是裂缝对象类，因此处理器可以确定上述第一像素表示裂缝类型缺陷的一部分。选定概率可以用于将对应像素的分类矢量转换为独热矢量。例如，上述分类矢量[0.6 0.15 0.05 0.2]将被转换为独热(one-hot)矢量[1 0 0 0]，指示像素被确定为裂缝形式的缺陷的一部分。对于输入到神经网络502中的候选区308、314中的所有(或至少一些)像素，可以重复该处理。
与神经网络502中的每个矢量和神经元相关联的权重值约束输入图像如何与神经元的输出相关。权重值可以由通过神经网络502的训练数据迭代流来确定。例如，可以在训练阶段建立权重值，在训练阶段中，神经网络502学习如何通过训练或地面真实图像中的对象的典型输入数据特征来识别特定对象类。例如，训练神经网络，以检测特定缺陷，例如裂缝、散裂(例如剥落)、磨损、缺口等。在训练阶段期间，标记的训练或地面真实图像被输入到人工神经网络502中。标记的训练图像是形成图像的所有或大部分像素与已知对象类相关联的图像。在标记的训练图像中，标记为[1 0 0 0]的像素指示存在有像素表示第一对象类(例如，裂缝)中的至少一部分对象的100％的概率，并且存在有像素表示第二、第三或第四对象类(例如，完整区域、背景或散裂)中的任一种的至少一部分对象的零百分比的概率。
使用标记的训练图像或地面真实图像对神经网络502进行附加训练可以改进神经网络502在识别输入到神经网络502的图像中的对象时的准确性。该训练修改在不同层104中的人工神经元的权重和/或函数，这可以导致不同对象类的概率的更大差距。例如，附加训练可以增加像素在第一对象类内的概率，并降低像素在第二对象类内的概率，从而增加像素在与第二对象类相对的第一对象类内的置信度。
在实施例中，人工神经网络502是具有第一分支504和第二分支506的双分支神经网络502。第一分支504和第二分支506具有分开的层104，包括离散输入层104A。两个分支504、506在一个中间层104C处合并。两个分支504、506在合并之前分开处理图像数据，并且层104在合并之后一起处理来自分支504、506的图像数据。可以将UV图像304的候选区308引入第一分支504的输入层104A，并且将可见光图像302的对应候选区314(即，在与候选区308类似的地点处)引入第二分支506的输入层104A。因此，可以通过神经网络502的层104同时检查每对对应候选区308、314。第一分支504中的层104可以在专用于处理UV图像的函数中应用各种权重。第二分支506中的层104可以在专用于处理可见光图像的函数中应用各种权重。在合并下游的层104用可见光图像数据处理UV图像数据。
在输出层104B处理图像数据之后，神经网络502产生输入图像数据(例如，对应的一对候选区308、314)描述工件120的表面134中的缺陷的输出概率。例如，输出概率可以是在0和1之间的数字，例如0.3、0.6或0.8，或者是在0％和100％之间的百分比，例如30％、60％或80％。输出概率指示候选区308、314描绘例如裂缝、散裂、缺口、磨损等的至少一个缺陷的置信度水平。0.8或80％的输出概率指示候选区308、314描绘缺陷的80％的可能性。
在实施例中，控制电路102被构造成将对应的一对候选区308，314顺序地输入到双分支神经网络502中，以接收与每一对候选区308、314相关联的输出概率。例如，图3所示的UV图像304具有两个不同的候选区308A、308B。控制电路102在第一时间将第一个候选区308A与可见光图像302的对应的类似候选区314A输入到神经网络502中，然后接着在第二时间输入另一个候选区308B和对应的类似候选区314B。控制电路102接收专用于第一对候选区308A、314A的第一输出概率，以及专用于第二对候选区308B、314B的第二输出概率。
根据至少一个实施例，控制电路102被构造成，如果来自神经网络502的输出概率大于指定概率阈值，则检测在一对对应候选区308、314中存在潜在缺陷。指定概率阈值可能相对较低，例如低于0.5或50％的值。例如，概率阈值可以在0.2和0.4或在0.2与0.4之间(例如20％和40％)。因为可以进行额外阶段以确认缺陷的存在，所以对于具有潜在缺陷的过包括(over-including)候选区308、314的一侧上的错误，概率阈值可以被设定为相对较低。可以预期的是，在此分析阶段期间检测到的实际上为误报的任何潜在缺陷都将在本文所述的后续阶段中被正确分类。
根据一个或多个实施例，响应于经由提供等于或大于指定概率阈值的输出概率的人工神经网络或经由操作者的选择，检测到至少一对候选区308、314中的至少一个潜在缺陷，控制电路102进行回流阶段。在回流阶段期间，控制电路102控制第二机械臂116(图1所示)，以用拭子118在工件120的与各对候选区308、314相对应的特定区域中物理擦拭工件120。例如，在图3所示的示出实施例中，假设两对候选区308、314都满足概率阈值，则控制电路102控制机械臂116擦拭由可见光图像302中的候选区314A描绘的叶片310的区域，并且擦拭由候选区314B描绘的凸缘312的边缘处的区域。该擦拭从工件120去除了残留染料和外部碎屑以及污染物，例如灰尘、污垢、碎屑等。
在实施例中，机械臂116被控制成仅擦拭工件120的与满足概率阈值的候选区308、314相对应的区域，并且不擦拭整个检查表面134。例如，如果第二对候选区308B、314B的输出概率小于指定概率阈值，则控制电路102不检测候选区308B、314B中潜在缺陷的存在。结果，仅控制第二机械臂116擦拭在第一对候选区308A、314A中描绘的叶片310的区域，而不擦拭凸缘312的边缘。控制电路102能够将机械臂116移动到工件120的与图像数据中的候选区308、314相对应的特定区域，因为图像数据被映射到计算机设计模型，该计算机设计模型被有效地映射到实际工件120。
在擦拭工件120之后，控制电路102被构造成等待指定时间段，以允许工件120的缺陷内的任何残留荧光染料沿着检查表面134从缺陷排出到缺陷的周围边缘上。指定时间段可以是秒或分钟的量级。随后，控制电路102控制第一机械臂114、成像装置108以及光源110、111(图1所示)以重复图像获取阶段。例如，机械臂114将成像装置108移动到标准位置202(在图2中示出)，在标准位置202处，成像装置108以可见光设定获取另一个图像，并且以UV光设定获取另一个图像。机械臂114还将成像装置108移动到第二位置204和任何附加选定位置，以在每个位置处获取可见光图像和UV光图像两者。例如，第一图像获取阶段和第二图像获取阶段之间的唯一差异或变化可以是工件120的状态，因为工件120在第一图像获取阶段和第二图像获取阶段之间通过第二机械臂116擦拭。在第一图像获取阶段期间获取到的图像可以被称为擦拭前图像，并且在第二图像获取阶段期间获取到的图像可以被称为擦拭后图像。可以控制成像装置108以获取与擦拭前图像的数量相同数量的擦拭后图像。
擦拭前图像和擦拭后图像可以存储在存储器106中。控制电路102可以将擦拭前图像与对应擦拭后图像成组地分组或分类。例如，在擦拭阶段之前以可见光设定从标准位置202采集到的图像可以与在擦拭阶段之后以可见光设定从标准位置202采集到的图像一起被分组成一组。在实施例中，可以存在从成像装置108相对于工件120的每个选定位置采集的四个图像。这四个图像包括可见光设定中的擦拭前图像(例如，图3中所示的图像302)，UV光设定中的擦拭前图像(例如，图像304)，可见光设定中的擦拭后图像，以及UV光设定中的擦拭后图像。
在确认阶段期间，控制电路102被构造成将两个擦拭前图像(例如，图像302、304)的候选区308、314与两个擦拭后图像的类似候选区308、314进行比较，以将潜在缺陷分类成已确认缺陷或误报。因为擦拭前图像和擦拭后图像都具有相同的图像帧，所以控制电路102可以基于擦拭前图像中的候选区308、314的地点(例如，2D图像坐标)来识别擦拭后图像的类似候选区308、314。对于潜在描述缺陷的每个候选区，形成四个子图像，四个子图像包括擦拭前UV图像中的候选区(例如，候选区308A)的第一子图像，擦拭前可见光图像中的对应候选区(例如，候选区314A)的第二子图像，擦拭后UV图像中的候选区的第三子图像，以及擦拭后可见光图像中的候选区的第四子图像。在实施例中，控制电路102将这四个子图像输入到人工神经网络中，以使擦拭前图像与擦拭后图像进行比较。
在该确认阶段期间使用的神经网络可以是在先分析阶段期间使用的相同的双分支神经网络502(图5所示)。神经网络502的参数可以相比于分析阶段期间的参数被不同地调整。在实施例中，来自擦拭前图像的一对候选区308、314可以在前向传播方向上再次被输入到神经网络502的不同的对应分支504、506中。控制电路102可以在合并之后检索擦拭前对的数据表示，而不允许所有层104处理图像数据。数据表示可以是通过神经网络502从图像中提取出的特征图或特征矩阵。控制电路102随后将来自擦拭后图像的类似的一对候选区输入到神经网络502的分支504、506中，并且在合并之后但在输出层104B之前检索擦拭后对的数据表示(例如，特征图或矩阵)。替代地，在确认阶段中使用的神经网络可以不同于双分支神经网络502。
控制电路102可以将两个数据表示连结在一起，以产生组合概率作为输出。组合概率表示给定候选区描述至少一个缺陷的概率。如果组合概率达到或超出指定确认阈值，则将候选区确认为含有缺陷(在神经网络502的容错范围内)。确认阈值可以大于初始分析阶段中使用的概率阈值。例如，确认阈值可以是0.5(例如，50％)等。如果组合概率低于确认阈值，则控制电路102确定候选区没有缺陷。例如，如果在擦拭前图像中的候选区与擦拭后图像中的类似候选区之间存在差别，则组合概率可以低于确认阈值。该差别可以指示在初始分析阶段期间的感知缺陷实际上是误报，例如已经通过干预擦拭而被去除或至少改变的工件120上的异物或外来杂质(荧光染料除外)。控制电路102可以将具有低于确认阈值的组合概率的候选区记载为含有误报，并且可以将具有等于或高于确认阈值的组合概率的候选区记载为已确认缺陷。
对于在图像数据中的被分类为已确认缺陷的每个候选区，控制电路102可以计算实际工件120内的缺陷的物理地点。例如，控制电路102可以利用在将图像映射到计算机设计模型时产生的传递函数，以将图像帧中的分类缺陷转换为计算机设计模型上的地点，计算机设计模型是实际工件120的比例表示。控制电路102可以输出表示计算机设计模型坐标系内的缺陷的地点的坐标。除了确定一个或多个缺陷在工件120上的地点之外，控制电路102还可以通过将传递函数应用于图像数据中的缺陷的测量尺寸来计算缺陷的尺寸(例如，大小)。例如，控制电路102可以能够基于图像数据和图像到计算机设计模型的映射来测量工件120中检测到的裂缝的实际长度。
在确定工件120中的缺陷在计算机设计模型的坐标系内的地点和大小之后，控制电路102可以可选地在显示缺陷的计算机设计模型上构建3D特征图。例如，特征图在显示装置上可以是能够查看的，同时缺陷被叠加到计算机设计模型上。操作者可以在不查看实际工件120的情况下利用特征图来确定是否通过工件120、修理工件120、丢弃工件120等。
在替代实施例中，将图像数据中的缺陷与误报区分开的确认阶段可以是半自动的，使得操作者提供输入。例如，代替对于擦拭之前的分析阶段和擦拭之后的确认阶段都使用双分支神经网络502，这两个阶段中的一个阶段可以利用操作者输入。确认阶段可以通过在I/O装置122的显示器上向操作者显示对应的擦拭前和擦拭后图像来利用操作者输入。操作者可以寻找擦拭前图像中的识别出的候选区308、314与擦除后图像中的对应地点之间的差别，并且可以利用I/O装置122的输入装置，来将每个识别出的候选区308、314确认为缺陷(例如，如果图像数据在擦拭前图像与擦除后图像之间是一致的)或误报(例如，如果图像数据是不一致的)。用户选择作为用户输入消息被传送到控制电路102，控制电路102可以在存储器106中记载用户选择。
在本文描述的至少一个实施例中，检查系统100可以进行全自动的FPI检查处理，使得控制电路102的计算机处理器和人工神经网络502分析图像，以便在不依赖于操作者输入的情况下，识别擦拭前图像中的候选区，并且将候选区分类为缺陷或误报。完全自动化的处理相比于常规的完全手动FPI处理具有若干优势，例如增加了客观性、一致性、可靠性、可重复性、效率、准确性等。例如，检查系统100的至少一个技术效果是基于程序指令和/或受过训练的人工神经网络进行分析，程序指令和/或受过训练的人工神经网络相比人类操作者不易受到人类主观性的影响并且不易出错。
在一个或多个其他实施例中，检查系统100可以进行半自动FPI检查处理，该半自动FPI检查处理利用操作者的输入，以用于(i)仅识别擦拭前图像中的候选区，或(ii)仅将候选区分类为缺陷或误报。即使某些分析是通过人类操作者来进行的，与常规的完全手动FPI处理相比，由检查系统100进行的半自动FPI处理仍具有一些优势，例如自动化的阶段中增加了准确性、效率和一致性。另外，检查系统100的至少一个技术效果是操作者不需要身体上操纵工件120。例如，操作者可以完全远离罩结构132，并且可以使用计算机从舒适的办公室中进行分析以识别候选区和/或分类缺陷。操作者可以避免直接暴露于荧光染料并且长时间在黑暗的UV照射帐篷或房间内。
通过检查系统100进行的FPI检查处理的全自动和半自动实施例两者的另一个技术效果是在整个处理中数据的自动记录和记载。例如，控制电路102可以被构造成记录关于每个工件120的检查的各种信息。该信息可以被存储在存储器106中和/或被传送到例如云计算服务器的远程存储。控制电路102可以产生报告，该报告包括可复写格式的信息。记录的信息可以包括(i)工件120的标识，(ii)光照设定(例如，可见光和UV光两者的强度、波长等)，(iii)成像装置108的设定，(iv)成像装置108的选定位置；(v)由成像装置108采集到的所有图像，(vi)被识别为候选区308、314的图像数据，(vi)被分类为缺陷的图像数据的子集，(vii)缺陷的特性(例如地点和大小)，(viii)使用的荧光染料的类型，(ix)机械臂116沿着其擦拭的工件120的区，(x)在获取擦拭后图像之前允许染料在擦拭后回流的时间量等。通过记录此信息，可以汇总和研究来自许多FPI检查的数据，以通过使FPI检查处理比常规手动处理更加客观、一致和准确来改进FPI检查处理。
根据检测到的缺陷的数量、大小和类型，可以将工件120分类为通过检查、计安排修理或丢弃(例如报废)。在一个实施例中，如果工件120没有检测到的缺陷，则控制电路102将工件120识别为通过检查。如果工件120具有一个或多个检测到的缺陷，则控制电路102可以采取若干响应动作。例如，控制电路102可以产生命令信号或消息，以自动安排工件120的修理或由操作者进行附加检查。类似地，控制电路102可以产生信号，以便例如经由基于文本的消息、音频消息等将检测到的工件120中的缺陷的存在通知给操作者。检查的结果(例如通过、修理、丢弃等)可以与其他信息一起存储在报告中。本文公开的检查系统100可以有益地降低在FPI检查处理中丢弃工件的总比率。例如，记录关于检查处理的细节用于后续分析使操作者的决策能够被审查，这确保了对于操作者而言的责任。
图6是根据实施例的用于进行工件的FPI检查的方法600的流程图。方法600可以表示由图1所示的检查系统100的包括一个或多个处理器103的控制电路102所进行的至少一些操作。方法600可以表示用于生成(例如，写入)一个或多个软件应用的算法，一个或多个软件应用指引控制电路102的一个或多个处理器103的操作。
参照图1至图5，方法600从602开始，在602处，以UV光设定获得工件120的第一图像304。工件120在其上具有荧光染料，尽管在采集第一图像之前可以从工件120中清除大部分的染料。经由成像装置108在相对于工件120的选定位置处获取第一图像304。可以通过激活UV光源111并且去激活可见光源110(或将可见光源110维持在去激活状态)来提供紫外线光设定。第一图像304也被称为UV图像304。
在604处，以可见光设定获得工件120的第二图像302。可以通过去激活UV光源111并且激活可见光源110来提供可见光设定。第二图像302被称为可见光图像302，并且由成像装置108在相对于工件120的与UV图像304相同的选定位置处获取。因此，UV图像304可以仅在光照条件下与可见光图像302不同。
在606处，基于候选区308内的一个或多个像素的光特性来识别UV图像304的候选区308。在实施例中，光特性是强度，并且通过识别UV图像304中具有大于强度阈值的各个强度的像素簇305来识别候选区308。候选区308的识别可以包括在UV图像304中的像素簇305周围应用边界框307，以限定候选区308的规则的矩形形状。
在608处，分析UV图像304的候选区308和可见光图像302的对应候选区314，以检测候选区308、314中描绘的工件120的表面134中的潜在缺陷。可见光图像302的候选区314与UV图像304的候选区308处于类似地点。在至少一个实施例中，候选区308、314作为输入在前向传播方向上通过包括一个或多个处理器的人工神经网络502中的人工神经元层被自动分析。人工神经网络503可以是具有第一分支504和第二分支506的双分支神经网络。UV图像304的候选区308被输入到第一分支504中，并且可见光图像302的候选区314被输入到第二分支506中。人工神经网络502被构造成产生候选区308、314描绘缺陷的输出概率。响应于来自人工神经网络502的超出指定概率阈值的输出概率，例如非限制性实例中的0.3(或30％)，可以检测工件120的表面134中的潜在缺陷。
在610处，响应于检测候选区308、314中的潜在缺陷，控制机械臂116沿着两个图像302、304的候选区308、314中描绘的区域擦拭工件120的表面134。该擦拭可从工件120去除例如灰尘和污垢的异物，以及例如过量的染料、油等的物质。
在612处，以UV和可见光设定获得工件120的第一和第二擦拭后图像。在与在擦拭阶段之前采集的第一图像302和第二图像304(被称为擦拭前图像)相同的成像装置108相对于工件120的地点处，采集擦拭后图像。以UV光设定获取第一擦拭后图像，并且以可见光设定获取第二擦拭后图像。
在614处，将擦拭前图像302、304的候选区308、314与擦拭后图像的类似候选区进行比较，以将潜在缺陷分类为已确认缺陷或误报。可以通过人工神经网络502中的人工神经元层检查作为前向传播方向上的输入的擦拭前图像302、304的候选区308、314和擦拭后图像的类似候选区，来进行比较。例如，人工神经网络502可以在检查四个候选区之后输出概率。如果概率等于或高于指定确认阈值，则将潜在缺陷分类为已确认缺陷。如果概率低于指定确认阈值，则将潜在缺陷分类为误报。已确认缺陷的存在可能导致操作者安排修理工件120，或者可能导致操作者丢弃或处置工件120。
在614之后，方法600可以包括通过在工件120上重新施加显影剂来使工件120重新显影。显影剂可以被施加到表面134的没有回流的区域。之后，流程可以返回到612，并且可以在614处将擦拭前图像的候选区与第三和第四擦拭后图像比较之前，以UV和可见光设定获得另一轮擦拭后图像(例如，第三和第四擦拭后图像)。
在一个或多个实施例中，提供了一种检查系统，该检查系统包括一个或多个处理器，一个或多个处理器被构造成以紫外线(UV)光设定获得其上具有荧光染料的工件的第一图像，并且以可见光设定获得工件的第二图像。工件在UV光设定中被紫外线光照射，以使得荧光染料发射光，并且工件在可见光设定中被可见光照射，以使得工件反射光。通过一个或多个成像装置在相对于工件的相同位置产生第一图像和第二图像。一个或多个处理器被构造成基于候选区内的一个或多个像素的光特性来识别第一图像的候选区，并且确定与第一图像的候选区处于类似地点的第二图像的对应候选区。一个或多个处理器被构造成分析第一图像的候选区和第二图像的对应候选区两者，以检测工件的表面上的潜在缺陷以及潜在缺陷相对于工件的表面的地点。
可选地，一个或多个处理器被构造成通过人工神经网络中的人工神经元层检查作为前向传播方向上的输入的候选区，来分析第一图像和第二图像的候选区。可选地，人工神经网络是具有第一分支和第二分支的双分支神经网络。一个或多个处理器将第一图像的候选区输入到第一分支中，并且将第二图像的候选区输入到第二分支中。可选地，人工神经网络被构造成产生第一图像和第二图像的候选区描绘缺陷的输出概率。一个或多个处理器响应于来自人工神经网络的超出指定概率阈值的输出概率，检测工件的表面中的潜在缺陷。
可选地，光特性是强度，并且一个或多个处理器被构造成通过识别第一图像中的具有大于强度阈值的相应强度的像素簇，来识别第一图像的候选区。
可选地，一个或多个处理器被构造成通过在第一图像中的像素簇周围应用边界框来识别第一图像的候选区。
可选地，响应于沿着第一图像和第二图像的候选区中描绘的工件的区域检测工件的表面中的潜在缺陷，一个或多个处理器被进一步构造成控制机械臂沿着区域擦拭工件的表面。可选地，第一图像和第二图像是第一擦拭前图像和第二擦拭前图像，并且一个或多个处理器被进一步构造成在机械臂擦拭工件的表面之后，获得工件的第一擦拭后图像和第二擦拭后图像，通过一个或多个成像装置在相对于工件的与第一擦拭前图像和第二擦拭前图像相同的位置产生第一擦拭后图像和第二擦拭后图像。第一擦拭后图像以UV光设定被获取，并且第二擦拭后图像以可见光设定被获取。可选地，一个或多个处理器进一步被构造成将第一擦拭前图像和第二擦拭前图像的候选区与第一擦拭后图像和第二擦拭后图像的类似候选区进行比较，以将潜在缺陷分类为已确认缺陷或误报。可选地，一个或多个处理器被构造成通过人工神经网络中的人工神经元层检查作为前向传播方向上的输入的第一擦拭前图像和第二擦拭前图像的候选区以及第一擦拭后图像和第二擦拭后图像的类似候选区，以将潜在缺陷分类为已确认缺陷或误报。
在一个或多个实施例中，提供了一种方法，该方法包括以紫外线(UV)光设定获得在其上具有荧光染料的工件的第一图像，在UV光设定中，用紫外线光照射工件，以使得荧光染料发射光。该方法包括以可见光设定获得工件的第二图像，在可见光设定中，通过可见光照射工件，以使得工件反射光。通过一个或多个成像装置在相对于工件的相同位置产生第一图像和第二图像。该方法还包括基于候选区内的一个或多个像素的光特性来识别第一图像的候选区，并且确定与第一图像的候选区处于类似地点的第二图像的对应候选区。该方法还包括经由一个或多个处理器，分析第一图像的候选区和第二图像的对应候选区两者，以检测工件的表面上的潜在缺陷以及潜在缺陷相对于工件的表面的地点。
可选地，分析包括检查作为通过人工神经网络中的人工神经元层的向前传播方向上的输入的第一图像和第二图像的候选区。可选地，人工神经网络是具有第一分支和第二分支的双分支神经网络。将第一图像的候选区输入到第一分支中，并且将第二图像的候选区输入到第二分支中。可选地，人工神经网络被构造成产生第一图像和第二图像的候选区描绘缺陷的输出概率。该方法进一步包括响应于来自人工神经网络的超出指定概率阈值的输出概率，检测工件的表面中的潜在缺陷。
可选地，光特性是强度，并且识别第一图像的候选区包括识别第一图像中的具有大于强度阈值的相应强度的像素簇。
可选地，识别第一图像的候选区包括在第一图像中的像素簇周围应用边界框。
可选地，响应于沿着第一图像和第二图像的候选区中描绘的工件的区域检测工件的表面中的潜在缺陷，方法进一步包括控制机械臂沿着区域擦拭工件的表面。可选地，第一图像和第二图像是第一擦拭前图像和第二擦拭前图像。该方法进一步包括在机械臂擦拭工件的表面之后，获得工件的第一擦拭后图像和第二擦拭后图像，通过一个或多个成像装置在相对于工件的与第一擦拭前图像和第二擦拭前图像相同的位置产生第一擦拭后图像和第二擦拭后图像。第一擦拭后图像以UV光设定被获取，并且第二次擦拭后图像以可见光设定被获取。可选地，该方法进一步包括将第一擦拭前图像和第二擦拭前图像的候选区与第一擦拭后图像和第二擦拭后图像的类似候选区进行比较，以将潜在缺陷分类为已确认缺陷或误报。可选地，比较包括通过人工神经网络中的人工神经元层检查作为前向传播方向上的输入的第一擦拭前图像和第二擦拭前图像的候选区以及第一擦拭后图像和第二擦拭后图像的类似候选区。
在一个或多个实施例中，提供了一种检查系统，该检查系统包括一个或多个处理器，一个或多个处理器被构造成以紫外线(UV)光设定获得工件的第一图像，并且以可见光设定获得工件的第二图像。工件在其上具有荧光染料。通过一个或多个成像装置在相对于工件的相同位置产生第一图像和第二图像。一个或多个处理器被构造成基于候选区内的一个或多个像素的光特性来识别第一图像的候选区，并且将第一图像的候选区输入到双分支神经网络的第一分支中。一个或多个处理器还被构造成将与第一图像的候选区类似的地点处的第二图像的对应候选区输入到双分支神经网络的第二分支中，以通过双分支神经网络的人工神经元层在前向传播方向上检查候选区。一个或多个处理器基于双分支神经网络的输出来检测候选区中描绘的工件的表面中的潜在缺陷。
如本文使用的，以单数叙述并且以单词“一”或“一种”开始的元件或步骤应被理解为不排除多个所述元件或步骤，除非明确地指出了这种排除。此外，对当前描述的主题的“一个实施例”的引用不旨在被解释为排除同样结合所述特征的另外的实施例的存在。此外，除非有相反的明确说明，否则“包含”或“具有”具有特定性质的元件或多个元件的实施例可以包括不具有该性质的另外的此类元件。
应当理解的是，以上描述旨在说明而非限制。例如，上述实施例(和/或其方面)可以彼此组合使用。另外，在不脱离本发明的范围的情况下，可以做出许多修改以使特定的情况或材料适应本文阐述的主题的教导。尽管本文描述的材料的尺寸和类型旨在限定公开主题的参数，但是它们决不是限制性的，而是示例性实施例。在回顾以上描述之后，许多其他实施例对于本领域普通技术人员将是显而易见的。因此，应当参考所附权利要求书以及这些权利要求书所赋予的等效物的全部范围，来确定本文所述主题的范围。在所附权利要求书中，术语“包括”和“在其中”用作相应术语“包含”和“其中”的简明英语等效。此外，在以下权利要求书中，术语“第一”、“第二””和“第三”等仅用作标记，并不旨在对其对象施加数字要求。此外，以下权利要求书的限制不是以装置加功能的形式编写的，也不旨在基于35USC§112(f)进行解释，除非直到这种权利要求限制明确地使用短语“用于……的装置”，之后是没有进一步结构的功能声明。
本书面描述使用实例来公开本发明，包括最佳模式，并且还使任何本领域技术人员能够实践公开主题的实施例，包括制造和使用装置或系统，以及执行方法。本主题的可以专利范围由权利要求书限定，并且可以包括本领域技术人员想到的其他实例。如果这些其他实例包括与权利要求的字面语言没有不同的结构元件，或者如果它们包括与权利要求的字面语言无实质差别的等效结构元件，则这些其他实例旨在权利要求的范围内。
本发明的进一步方面通过以下条项的主题提供：
1.一种检查系统，包括：一个或多个处理器，所述一个或多个处理器被构造成在紫外线(UV)光设定中获得其上具有荧光染料的工件的第一图像，并且在可见光设定中获得所述工件的第二图像，所述工件在所述UV光设定中被紫外线光照射，以使得所述荧光染料发射光，并且所述工件在所述可见光设定中被可见光照射，以使得所述工件反射光，通过一个或多个成像装置在相对于所述工件的相同位置产生所述第一图像和所述第二图像；其中所述一个或多个处理器被构造成基于候选区内的一个或多个像素的光特性来识别所述第一图像的所述候选区，并且确定与所述第一图像的所述候选区处于类似地点的所述第二图像的对应候选区，并且其中所述一个或多个处理器被构造成分析所述第一图像的所述候选区和所述第二图像的所述对应候选区两者，以检测所述工件的表面上的潜在缺陷以及所述潜在缺陷相对于所述工件的所述表面的地点。
2.根据任何在前条项的检查系统，其中所述一个或多个处理器被构造成通过人工神经网络中的人工神经元层检查作为前向传播方向上的输入的所述候选区，来分析所述第一图像和所述第二图像的所述候选区。
3.根据任何在前条项的检查系统，其中所述人工神经网络是具有第一分支和第二分支的双分支神经网络，其中所述一个或多个处理器将所述第一图像的所述候选区输入到所述第一分支中，并且将所述第二图像的所述候选区输入到所述第二分支中。
4.根据任何在前条项的检查系统，其中所述人工神经网络被构造成产生所述第一图像和所述第二图像的所述候选区描绘缺陷的输出概率，并且所述一个或多个处理器响应于来自所述人工神经网络的超出指定概率阈值的所述输出概率，检测所述工件的所述表面中的所述潜在缺陷。
5.根据任何在前条项的检查系统，其中所述光特性是强度，并且所述一个或多个处理器被构造成通过识别所述第一图像中的具有大于强度阈值的相应强度的像素簇，来识别所述第一图像的所述候选区。
6.根据任何在前条项的检查系统，其中所述一个或多个处理器被构造成通过在所述第一图像中的像素簇周围应用边界框来识别所述第一图像的所述候选区。
7.根据任何在前条项的检查系统，其中响应于沿着所述第一图像和所述第二图像的所述候选区中描绘的所述工件的区域检测所述工件的所述表面中的所述潜在缺陷，所述一个或多个处理器被进一步构造成控制机械臂沿着所述区域擦拭所述工件的所述表面。
8.根据任何在前条项的检查系统，其中所述第一图像和所述第二图像是第一擦拭前图像和第二擦拭前图像，并且所述一个或多个处理器被进一步构造成在所述机械臂擦拭所述工件的所述表面之后，获得所述工件的第一擦拭后图像和第二擦拭后图像，通过所述一个或多个成像装置在相对于所述工件的与所述第一擦拭前图像和所述第二擦拭前图像相同的位置产生所述第一擦拭后图像和所述第二擦拭后图像，其中所述第一擦拭后图像在所述UV光设定中被获取，并且所述第二擦拭后图像在所述可见光设定中被获取。
9.根据任何在前条项的检查系统，其中所述一个或多个处理器进一步被构造成将所述第一擦拭前图像和所述第二擦拭前图像的所述候选区与所述第一擦拭后图像和所述第二擦拭后图像的类似候选区进行比较，以将所述潜在缺陷分类为已确认缺陷或误报。
10.根据任何在前条项的检查系统，其中所述一个或多个处理器被构造成通过人工神经网络中的人工神经元层检查作为前向传播方向上的输入的所述第一擦拭前图像和所述第二擦拭前图像的所述候选区以及所述第一擦拭后图像和所述第二擦拭后图像的类似候选区，以将所述潜在缺陷分类为所述已确认缺陷或所述误报。
11.一种方法，包括：在紫外线(UV)光设定中获得在其上具有荧光染料的工件的第一图像，在所述UV光设定中，用紫外线光照射所述工件，以使得所述荧光染料发射光；在可见光设定中获得所述工件的第二图像，在所述可见光设定中，通过可见光照射所述工件，以使得所述工件反射光，其中通过一个或多个成像装置在相对于所述工件的相同位置产生所述第一图像和所述第二图像；基于候选区内的一个或多个像素的光特性来识别所述第一图像的所述候选区；确定与所述第一图像的所述候选区处于类似地点的所述第二图像的对应候选区；和经由一个或多个处理器，分析所述第一图像的所述候选区和所述第二图像的所述对应候选区两者，以检测所述工件的表面上的潜在缺陷以及所述潜在缺陷相对于所述工件的所述表面的地点。
12.根据任何在前条项的方法，其中所述分析包括检查作为通过人工神经网络中的人工神经元层的向前传播方向上的输入的所述第一图像和所述第二图像的所述候选区。
13.根据任何在前条项的方法，其中所述人工神经网络是具有第一分支和第二分支的双分支神经网络，其中将所述第一图像的所述候选区输入到所述第一分支中，并且将所述第二图像的所述候选区输入到所述第二分支中。
14.根据任何在前条项的方法，其中所述人工神经网络被构造成产生所述第一图像和所述第二图像的所述候选区描绘缺陷的输出概率，并且所述方法进一步包括响应于来自所述人工神经网络的超出指定概率阈值的所述输出概率，检测所述工件的所述表面中的所述潜在缺陷。
15.根据任何在前条项的方法，其中所述光特性是强度，并且识别所述第一图像的所述候选区包括识别所述第一图像中的具有大于强度阈值的相应强度的像素簇。
16.根据任何在前条项的方法，其中识别所述第一图像的所述候选区包括在所述第一图像中的像素簇周围应用边界框。
17.根据任何在前条项的方法，其中响应于沿着所述第一图像和所述第二图像的所述候选区中描绘的所述工件的区域检测所述工件的所述表面中的所述潜在缺陷，所述方法进一步包括控制机械臂沿着所述区域擦拭所述工件的所述表面。
18.根据任何在前条项的方法，其中所述第一图像和所述第二图像是第一擦拭前图像和第二擦拭前图像，并且所述方法进一步包括在所述机械臂擦拭所述工件的所述表面之后，获得所述工件的第一擦拭后图像和第二擦拭后图像，通过所述一个或多个成像装置在相对于所述工件的与所述第一擦拭前图像和所述第二擦拭前图像相同的位置产生所述第一擦拭后图像和所述第二擦拭后图像，其中所述第一擦拭后图像在所述UV光设定中被获取，并且所述第二次擦拭后图像在所述可见光设定中被获取。
19.根据任何在前条项的方法，进一步包括将所述第一擦拭前图像和所述第二擦拭前图像的所述候选区与所述第一擦拭后图像和所述第二擦拭后图像的类似候选区进行比较，以将所述潜在缺陷分类为已确认缺陷或误报。
20.根据任何在前条项的方法，其中所述比较包括通过人工神经网络中的人工神经元层检查作为前向传播方向上的输入的所述第一擦拭前图像和所述第二擦拭前图像的所述候选区以及所述第一擦拭后图像和所述第二擦拭后图像的类似候选区。
21.一种检查系统，包括：一个或多个处理器，所述一个或多个处理器被构造成在紫外线(UV)光设定中获得工件的第一图像，并且在可见光设定中获得所述工件的第二图像，所述工件在其上具有荧光染料，通过一个或多个成像装置在相对于所述工件的相同位置产生所述第一图像和所述第二图像，其中所述一个或多个处理器被构造成基于候选区内的一个或多个像素的光特性来识别所述第一图像的所述候选区，并且将所述第一图像的所述候选区输入到双分支神经网络的第一分支中，并且其中所述一个或多个处理器被构造成将与所述第一图像的所述候选区类似的地点处的所述第二图像的对应候选区输入到所述双分支神经网络的第二分支中，以通过双分支神经网络的人工神经元层在前向传播方向上检查所述候选区，所述一个或多个处理器基于所述双分支神经网络的输出来检测所述候选区中描绘的所述工件的表面中的潜在缺陷。

Claims (10)

1.一种检查系统，其特征在于，包括：
一个或多个处理器，所述一个或多个处理器被构造成在紫外线(UV)光设定中获得其上具有荧光染料的工件的第一图像，并且在可见光设定中获得所述工件的第二图像，所述工件在所述UV光设定中被紫外线光照射，以使得所述荧光染料发射光，并且所述工件在所述可见光设定中被可见光照射，以使得所述工件反射光，通过一个或多个成像装置在相对于所述工件的相同位置产生所述第一图像和所述第二图像；
其中所述一个或多个处理器被构造成基于候选区内的一个或多个像素的光特性来识别所述第一图像的所述候选区，并且确定与所述第一图像的所述候选区处于类似地点的所述第二图像的对应候选区，并且
其中所述一个或多个处理器被构造成分析所述第一图像的所述候选区和所述第二图像的所述对应候选区两者，以检测所述工件的表面上的潜在缺陷以及所述潜在缺陷相对于所述工件的所述表面的地点。
2.根据权利要求1所述的检查系统，其特征在于，其中所述一个或多个处理器被构造成通过人工神经网络中的人工神经元层检查作为前向传播方向上的输入的所述候选区，来分析所述第一图像和所述第二图像的所述候选区。
3.根据权利要求2所述的检查系统，其特征在于，其中所述人工神经网络是具有第一分支和第二分支的双分支神经网络，其中所述一个或多个处理器将所述第一图像的所述候选区输入到所述第一分支中，并且将所述第二图像的所述候选区输入到所述第二分支中。
4.根据权利要求2所述的检查系统，其特征在于，其中所述人工神经网络被构造成产生所述第一图像和所述第二图像的所述候选区描绘缺陷的输出概率，并且所述一个或多个处理器响应于来自所述人工神经网络的超出指定概率阈值的所述输出概率，检测所述工件的所述表面中的所述潜在缺陷。
5.根据权利要求1所述的检查系统，其特征在于，其中所述光特性是强度，并且所述一个或多个处理器被构造成通过识别所述第一图像中的具有大于强度阈值的相应强度的像素簇，来识别所述第一图像的所述候选区。
6.根据权利要求1所述的检查系统，其特征在于，其中所述一个或多个处理器被构造成通过在所述第一图像中的像素簇周围应用边界框来识别所述第一图像的所述候选区。
7.根据权利要求1所述的检查系统，其特征在于，其中响应于沿着所述第一图像和所述第二图像的所述候选区中描绘的所述工件的区域检测所述工件的所述表面中的所述潜在缺陷，所述一个或多个处理器被进一步构造成控制机械臂沿着所述区域擦拭所述工件的所述表面。
8.根据权利要求7所述的检查系统，其特征在于，其中所述第一图像和所述第二图像是第一擦拭前图像和第二擦拭前图像，并且所述一个或多个处理器被进一步构造成在所述机械臂擦拭所述工件的所述表面之后，获得所述工件的第一擦拭后图像和第二擦拭后图像，通过所述一个或多个成像装置在相对于所述工件的与所述第一擦拭前图像和所述第二擦拭前图像相同的位置产生所述第一擦拭后图像和所述第二擦拭后图像，其中所述第一擦拭后图像在所述UV光设定中被获取，并且所述第二擦拭后图像在所述可见光设定中被获取。
9.根据权利要求8所述的检查系统，其特征在于，其中所述一个或多个处理器进一步被构造成将所述第一擦拭前图像和所述第二擦拭前图像的所述候选区与所述第一擦拭后图像和所述第二擦拭后图像的类似候选区进行比较，以将所述潜在缺陷分类为已确认缺陷或误报。
10.根据权利要求9所述的检查系统，其特征在于，其中所述一个或多个处理器被构造成通过人工神经网络中的人工神经元层检查作为前向传播方向上的输入的所述第一擦拭前图像和所述第二擦拭前图像的所述候选区以及所述第一擦拭后图像和所述第二擦拭后图像的类似候选区，以将所述潜在缺陷分类为所述已确认缺陷或所述误报。
CN201911172989.3A 2018-11-27 2019-11-26 荧光渗透检查系统和方法 Pending CN111220582A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/201,480 2018-11-27
US16/201,480 US10726543B2 (en) 2018-11-27 2018-11-27 Fluorescent penetrant inspection system and method

Publications (1)

Publication Number Publication Date
CN111220582A true CN111220582A (zh) 2020-06-02

Family

ID=68426174

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911172989.3A Pending CN111220582A (zh) 2018-11-27 2019-11-26 荧光渗透检查系统和方法

Country Status (4)

Country Link
US (1) US10726543B2 (zh)
EP (1) EP3660492B1 (zh)
CN (1) CN111220582A (zh)
CA (1) CA3062051C (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200364387A1 (en) * 2018-02-07 2020-11-19 Incucomm, Inc. Operations and maintenance system and method employing digital twins
US20200394351A1 (en) * 2018-02-07 2020-12-17 Incucomm, Inc. Operations and maintenance systems and methods employing sensor-less digital twins
CN114570684A (zh) * 2022-04-14 2022-06-03 乐山高测新能源科技有限公司 硅片脱胶处理方法、处理系统及脱胶装置

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6333871B2 (ja) * 2016-02-25 2018-05-30 ファナック株式会社 入力画像から検出した対象物を表示する画像処理装置
DE102018104616A1 (de) * 2018-02-28 2019-08-29 Carl Zeiss Microscopy Gmbh Verfahren zum Aufteilen eines oder mehrerer Bilder einer Probe in nach Farbstoffen aufgeteilte Bilddaten, Computerprogrammprodukt, computerlesbares Medium, auf dem das Computerprogrammprodukt gespeichert ist, und System zum Aufteilen eines oder mehrerer Bilder einer Probe in nach Farbstoffen aufgeteilte Bilddaten
US11345014B2 (en) * 2019-02-15 2022-05-31 Virtek Vision International Inc Method of detecting proper orientation of material applique
KR102418198B1 (ko) * 2019-05-15 2022-07-07 전상구 기판 상의 패턴을 측정하는 시스템들 및 방법들
US10922877B2 (en) * 2019-07-01 2021-02-16 Samsung Electronics Co., Ltd. Higher-order function networks for learning composable three-dimensional (3D) object and operating method thereof
US11391451B2 (en) * 2019-10-16 2022-07-19 Xiamen Leedarson Lighting Co., Ltd Lighting apparatus
US11455713B2 (en) * 2020-05-08 2022-09-27 Paypal, Inc. Automatic document processing
US11577341B2 (en) * 2020-05-11 2023-02-14 The Boeing Company Quality inspection of laser material processing
JP2022028337A (ja) * 2020-08-03 2022-02-16 日立Astemo株式会社 検査装置、検査方法およびピストンの製造方法
US11620558B1 (en) * 2020-08-25 2023-04-04 Amazon Technologies, Inc. Iterative machine learning based techniques for value-based defect analysis in large data sets
EP3971556A1 (en) * 2020-09-17 2022-03-23 Evonik Operations GmbH Qualitative or quantitative characterization of a coating surface
CN112505049B (zh) * 2020-10-14 2021-08-03 上海互觉科技有限公司 基于蒙版抑制的精密零组件表面缺陷检测方法和系统
CN112345547A (zh) * 2020-10-29 2021-02-09 东方蓝天钛金科技有限公司 一种基于mes的荧光探伤视觉数据处理系统及其处理方法
JP7101235B2 (ja) * 2020-12-17 2022-07-14 株式会社クボタ 検査装置及び検査方法
JP7101236B2 (ja) * 2020-12-17 2022-07-14 株式会社クボタ 検査装置及び検査方法
JP7143388B2 (ja) * 2020-12-17 2022-09-28 株式会社クボタ 検査方法
DK180934B8 (en) 2021-04-09 2022-07-01 Teknologisk Inst Objective cleaning control in a food manufacturing setting
US11480529B1 (en) * 2021-09-13 2022-10-25 Borde, Inc. Optical inspection systems and methods for moving objects
US11635346B1 (en) 2022-02-01 2023-04-25 General Electric Company Bearing element inspection system and method
WO2023199549A1 (ja) * 2022-04-13 2023-10-19 日本製鉄株式会社 表面検査装置及び表面検査方法
CN115180097B (zh) * 2022-07-25 2023-05-16 西南科技大学 一种水下无人航行器的捕获装置
DE102022207687A1 (de) * 2022-07-27 2024-02-01 Carl Zeiss Smt Gmbh Verfahren und Vorrichtung zur Inspektion eines Bauteils, computerimplementiertes Verfahren und Lithografiesystem

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007017376A (ja) * 2005-07-11 2007-01-25 Ishikawajima Harima Heavy Ind Co Ltd 蛍光探傷装置および蛍光探傷方法
CN101014850A (zh) * 2004-03-05 2007-08-08 奥博泰克有限公司 利用反射和荧光图像检查电路的系统和方法
US20100271633A1 (en) * 2009-04-24 2010-10-28 Tokyo Denki University Semiconductor test instrument and the method to test semiconductor
CN102854191A (zh) * 2012-07-18 2013-01-02 湖南大学 高速铁轨表面缺陷的实时视觉检测与识别方法
CN103140752A (zh) * 2010-08-20 2013-06-05 辛奥普有限公司 用于检测蛋白质污染的成像系统和相关联的方法
US20150168311A1 (en) * 2013-12-18 2015-06-18 Lasertec Corporation Defect classifying method and inspection apparatus
CN107271453A (zh) * 2017-08-11 2017-10-20 丹阳市雷登智能科技有限公司 镜片的检测方法及检测装置
WO2017221024A1 (en) * 2016-06-23 2017-12-28 Inspection Technologies Limited Apparatus and method for extracting low intensity photonic signals
CN108738338A (zh) * 2016-01-28 2018-11-02 西门子医疗保健诊断公司 用于检测样本中的干扰物的方法和装置

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1096249B1 (en) 1999-10-26 2013-05-01 Hitachi-GE Nuclear Energy, Ltd. Nondestructive flaw inspection method and apparatus
US6701615B2 (en) 2002-03-08 2004-03-09 General Electric Company Inspection and sorting system and method for part repair
US20060186260A1 (en) 2005-02-18 2006-08-24 American Airlines, Inc. Method of inspecting aircraft
US7689003B2 (en) 2006-03-20 2010-03-30 Siemens Energy, Inc. Combined 2D and 3D nondestructive examination
FR2940449A1 (fr) 2008-12-24 2010-06-25 Snecma Procede de controle non destructif d'une piece mecanique
US9020878B2 (en) 2011-03-09 2015-04-28 Rolls-Royce Corporation Intelligent airfoil component surface inspection
CN202471613U (zh) 2012-03-16 2012-10-03 苏州春兴精工股份有限公司 一种航空荧光渗透检测系统
GB2514180A (en) 2013-05-17 2014-11-19 Nanomex Ltd An optical inspection system
US9921132B2 (en) 2014-01-03 2018-03-20 Bell Helicopter Textron Inc. Automated magnetic particle and fluorescent penetrant defect detection system
CN106328228B (zh) 2015-07-10 2018-02-13 中核武汉核电运行技术股份有限公司 一种传热管密封焊遥控自动渗透检查装置
US10082387B2 (en) 2016-03-09 2018-09-25 UbiQD, Inc. Fluorescent liquid penetrants and methods of nondestructive testing
US10753884B2 (en) 2016-06-14 2020-08-25 Rolls-Royce Corporation Nondestructive inspection of composite materials
CN206696197U (zh) 2017-04-06 2017-12-01 天津飞悦航空零部件表面处理有限公司 一种智能化的航空荧光渗透检测系统
US10262236B2 (en) 2017-05-02 2019-04-16 General Electric Company Neural network training image generation system
US10054552B1 (en) 2017-09-27 2018-08-21 United Technologies Corporation System and method for automated fluorescent penetrant inspection
US10060857B1 (en) 2017-11-16 2018-08-28 General Electric Company Robotic feature mapping and motion control

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101014850A (zh) * 2004-03-05 2007-08-08 奥博泰克有限公司 利用反射和荧光图像检查电路的系统和方法
JP2007017376A (ja) * 2005-07-11 2007-01-25 Ishikawajima Harima Heavy Ind Co Ltd 蛍光探傷装置および蛍光探傷方法
US20100271633A1 (en) * 2009-04-24 2010-10-28 Tokyo Denki University Semiconductor test instrument and the method to test semiconductor
CN103140752A (zh) * 2010-08-20 2013-06-05 辛奥普有限公司 用于检测蛋白质污染的成像系统和相关联的方法
CN102854191A (zh) * 2012-07-18 2013-01-02 湖南大学 高速铁轨表面缺陷的实时视觉检测与识别方法
US20150168311A1 (en) * 2013-12-18 2015-06-18 Lasertec Corporation Defect classifying method and inspection apparatus
CN108738338A (zh) * 2016-01-28 2018-11-02 西门子医疗保健诊断公司 用于检测样本中的干扰物的方法和装置
WO2017221024A1 (en) * 2016-06-23 2017-12-28 Inspection Technologies Limited Apparatus and method for extracting low intensity photonic signals
CN107271453A (zh) * 2017-08-11 2017-10-20 丹阳市雷登智能科技有限公司 镜片的检测方法及检测装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YONGHONG TANG: "Automated inspection system for", 《PROCEEDINGS OF SPIE》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200364387A1 (en) * 2018-02-07 2020-11-19 Incucomm, Inc. Operations and maintenance system and method employing digital twins
US20200394351A1 (en) * 2018-02-07 2020-12-17 Incucomm, Inc. Operations and maintenance systems and methods employing sensor-less digital twins
CN114570684A (zh) * 2022-04-14 2022-06-03 乐山高测新能源科技有限公司 硅片脱胶处理方法、处理系统及脱胶装置

Also Published As

Publication number Publication date
EP3660492A3 (en) 2020-06-10
CA3062051A1 (en) 2020-05-27
US10726543B2 (en) 2020-07-28
US20200167905A1 (en) 2020-05-28
CA3062051C (en) 2022-09-06
EP3660492A2 (en) 2020-06-03
EP3660492B1 (en) 2022-08-17

Similar Documents

Publication Publication Date Title
CA3062051C (en) Fluorescent penetrant inspection system and method
CN111272763B (zh) 用于工件检查的系统和方法
US10746667B2 (en) Fluorescent penetrant inspection system and method
EP3776462B1 (en) System and method for image-based target object inspection
US10890537B2 (en) Appearance inspection device, lighting device, and imaging lighting device
US8189044B2 (en) Method for optical inspection of a matt surface and apparatus for applying this method
EP3388781B1 (en) System and method for detecting defects in specular or semi-specular surfaces by means of photogrammetric projection
JPWO2019151393A1 (ja) 食品検査システム、食品検査プログラム、食品検査方法および食品生産方法
Eshkevari et al. Automatic dimensional defect detection for glass vials based on machine vision: A heuristic segmentation method
WO2019244946A1 (ja) 欠陥判別方法、欠陥判別装置、欠陥判別プログラム及び記録媒体
Stavropoulos et al. A vision-based system for real-time defect detection: a rubber compound part case study
JP4318579B2 (ja) 表面欠陥検査装置
CN110274911B (zh) 图像处理系统、图像处理装置、存储介质
CN117934453B (zh) 一种手机屏背光异物缺陷诊断方法及系统
JP4371883B2 (ja) 検査用照明光源ユニットとこの光源ユニットを用いた表面欠陥検査装置
Rosell et al. Machine learning-based system to automate visual inspection in aerospace engine manufacturing
Reyna Automated Quality Control in Manufacturing Production Lines: A Robust Technique to Perform Product Quality Inspection
Agarwal et al. Robotic Defect Inspection with Visual and Tactile Perception for Large-scale Components
CN115668292A (zh) 基于有效区域覆盖的缺陷检测的优化路径规划
JP2024024234A (ja) 計測システム及び方法並びに部品再生システム及び方法
CN117934453A (zh) 一种手机屏背光异物缺陷诊断方法及系统
JP2024051834A (ja) 検査システム
Martin et al. Laser Diffuse Lighting in a Visual Inspection System for Defect Detection in Wood Laminates

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